MICK：一种面向小训练数据少样本关系分类的元学习框架
计算与语言
2020-12-15 v2 机器学习
机器学习
摘要
少样本关系分类旨在仅接触少量支持实例后对到来的查询实例进行分类。该能力通过大量领域内标注数据的训练获得。本文通过进一步限制训练时可用的数据量，解决一个更困难的问题。我们提出了一种用于关系分类的少样本学习框架，在训练数据非常小时尤为有效。在该框架中，模型不仅努力对查询实例分类，还探寻支持实例的底层知识以获得更好的实例表示。该框架还包含一种通过开源任务增强将跨域知识聚合进模型的方法。此外，我们构建了一个全新数据集：TinyRel-CM 数据集，一个健康领域的少样本关系分类数据集，其训练数据刻意很小且关系类别具有挑战性。实验结果表明，我们的框架为大多数底层分类模型带来性能提升，在小训练数据下优于最先进结果，并在训练数据充足时取得有竞争力的结果。
引用
@article{arxiv.2004.14164,
title = {MICK: A Meta-Learning Framework for Few-shot Relation Classification with Small Training Data},
author = {Xiaoqing Geng and Xiwen Chen and Kenny Q. Zhu and Libin Shen and Yinggong Zhao},
journal= {arXiv preprint arXiv:2004.14164},
year = {2020}
}