用于多领域文本分类的 Mixup 正则化对抗网络
计算与语言
2021-02-02 v1 机器学习
摘要
使用共享-私有范式与对抗训练已显著提升了多领域文本分类（MDTC）模型的性能。然而，现有方法存在两个问题。首先，来自多个领域的实例不足以进行领域不变特征提取。其次，对边缘分布的对齐可能导致致命的错配。在本文中，我们提出一种 mixup 正则化对抗网络（MRAN）以解决这两个问题。更具体地，引入领域与类别 mixup 正则化来丰富共享潜在空间中的内在特征，并强化训练实例之间的一致性预测，从而使得所学特征更具领域不变性与判别性。我们在两个基准上进行了实验：Amazon 评论数据集与 FDU-MTL 数据集。我们的方法在这两个数据集上分别取得了 87.64% 与 89.0% 的平均准确率，优于所有相关基线。
引用
@article{arxiv.2102.00467,
title = {Mixup Regularized Adversarial Networks for Multi-Domain Text Classification},
author = {Yuan Wu and Diana Inkpen and Ahmed El-Roby},
journal= {arXiv preprint arXiv:2102.00467},
year = {2021}
}
备注
5 pages, 1 figure, ICASSP 2021