用于类不平衡话语分类的多任务学习
计算与语言
2021-01-05 v1
摘要
小型类不平衡数据集在许多高级语义任务（如话语分析）中很常见，对当前的深度学习架构提出了特殊挑战。在本工作中，我们对 News Discourse 数据集（最近发布的规模最大的高级语义话语数据集之一）的句子级分类方法进行了广泛分析。我们表明，多任务方法可以比当前最先进基准提高 7% 的 Micro F1-score，部分原因是跨任务的标签校正改善了代表性不足类的性能。我们还对为解决 NLP 中资源贫乏问题而提出的其他技术进行了比较综述，并表明这些方法均无法在此类设置中提高分类准确率。
引用
@article{arxiv.2101.00389,
title = {Multitask Learning for Class-Imbalanced Discourse Classification},
author = {Alexander Spangher and Jonathan May and Sz-rung Shiang and Lingjia Deng},
journal= {arXiv preprint arXiv:2101.00389},
year = {2021}
}
备注
17 pages, 11 figures