面向多领域文本分类的最大批 Frobenius 范数

多领域文本分类（MDTC）因深度学习的出现已取得显著成就。近来，许多工作致力于应用对抗学习提取领域不变特征以取得最先进结果。然而，这些方法仍面临一个挑战：将原始特征变换为领域不变会扭曲原始特征的分布，降低所学特征的判别性。为解决此问题，我们首先研究批分类输出矩阵的结构，并从理论上证明所学特征的判别性与批输出矩阵的 Frobenius 范数正相关。基于该发现，我们提出最大批 Frobenius 范数（MBF）方法以增强 MDTC 的特征判别性。在两个 MDTC 基准上的实验表明，我们的 MBF 方法能有效提升最先进方法的性能。