文本分类中的分布外泛化：过去、现在与未来
计算与语言
2023-05-24 v1 人工智能
摘要
自然语言处理（NLP）中的机器学习（ML）系统在泛化到分布外（OOD）数据时面临显著挑战，即测试分布不同于训练数据分布。这引发了关于 NLP 模型鲁棒性及其高准确性的重要疑问，后者可能因其对系统性偏差的潜在敏感性而被人为夸大。尽管存在这些挑战，目前仍缺乏从 OOD 视角对文本分类中泛化挑战的全面综述。因此，本文旨在通过呈现该主题上近期进展、方法与评估的首次全面回顾来填补此空白。我们进一步讨论所涉挑战与潜在未来研究方向。通过提供对现有工作的快速检索，我们希望本综述能激励该领域的未来研究。
引用
@article{arxiv.2305.14104,
title = {Out-of-Distribution Generalization in Text Classification: Past, Present, and Future},
author = {Linyi Yang and Yaoxiao Song and Xuan Ren and Chenyang Lyu and Yidong Wang and Lingqiao Liu and Jindong Wang and Jennifer Foster and Yue Zhang},
journal= {arXiv preprint arXiv:2305.14104},
year = {2023}
}
备注
25 pages, OOD Generalization, Survey