利用 Tsetlin 机文本分类器的合取子句度量自然语言文本的新颖性

大多数有监督文本分类方法假设一个封闭世界，指望训练时数据中所有类别均存在。这一假设在运行过程中出现新颖的、先前未见的类别时，可能导致不可预测的行为。尽管基于深度学习的方法近来已被用于新颖性检测，但由于其黑盒性质，它们难以解释。本文探讨可解释的开放世界文本分类，其中训练好的分类器必须在运行时处理新颖类别。为此，我们为最近提出的 Tsetlin 机(TM) 扩展了一种新颖性评分机制。该机制利用 TM 的合取子句来度量文本与训练数据所覆盖类别的匹配程度。我们证明这些子句提供了已知主题的简洁可解释描述，并且我们的评分机制使得能够将新颖主题与已知主题区分开来。在实证上，我们的基于 TM 的方法在五个数据集中的三个上优于其他七种新颖性检测方案，并在其余数据集中分别取得第二和第三好的性能，且附带基于可解释命题逻辑表示的额外优势。