用于少样本文本分类的元学习孪生网络
计算与语言
2023-03-17 v2 人工智能
摘要
少样本学习已被用于解决文本分类中的标签稀缺问题，其中基于元学习的方法已被证明是有效的，例如原型网络（PROTO）。尽管 PROTO 取得了成功，仍存在三个主要问题：（1）在计算原型向量时忽略所采样支持集的随机性；（2）忽视有标签样本的重要性；（3）以纯随机方式构建元任务。本文中，我们提出一种元学习孪生网络，即 Meta-SN，以解决这些问题。具体而言，Meta-SN 不从采样的支持集计算原型向量，而是利用外部知识（如类名和描述性文本）作为类标签，将其编码为原型向量的低维嵌入。此外，Meta-SN 提出了一种用于构建元任务的新采样策略，该策略对难以分类的样本赋予更高的采样概率。我们在六个基准数据集上进行了大量实验，以展示 Meta-SN 相对于其他最先进模型的明显优越性。为可复现性，所有数据集与代码均发布于 https://github.com/hccngu/Meta-SN。
引用
@article{arxiv.2302.03507,
title = {Meta-Learning Siamese Network for Few-Shot Text Classification},
author = {Chengcheng Han and Yuhe Wang and Yingnan Fu and Xiang Li and Minghui Qiu and Ming Gao and Aoying Zhou},
journal= {arXiv preprint arXiv:2302.03507},
year = {2023}
}