原型正则化的联邦学习用于跨域方面情感三元组抽取
计算与语言
2026-04-13 v1
摘要
方面情感三元组抽取（ASTE）旨在从句子中抽取包含 aspect 项、opinion 项和情感极性的所有情感三元组。现有方法通常在单个数据集上训练，无法联合捕捉跨域共享的特征表示。此外，数据隐私限制阻止了中心化数据聚合。为应对这些挑战，我们提出了基于原型的跨域标记原型提取（PCD-SpanProto），一种原型正则化的联邦学习框架，使分布式客户端能够交换类别级原型而非完整模型参数。具体而言，我们设计了加权性能感知聚合策略和对比正则化模块，以提高跨域异构性下的全局原型，并促进跨客户端在类别内部紧凑性与类别之间可分性之间的关系。对四个 ASTE 数据集进行的大量实验表明，我们的方法优于基线方法并降低了通信成本，验证了基于原型的跨域知识迁移的有效性。
引用
@article{arxiv.2604.09123,
title = {Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction},
author = {Zongming Cai and Jianhang Tang and Zhenyong Zhang and Jinghui Qin and Kebing Jin and Hankz Hankui Zhuo},
journal= {arXiv preprint arXiv:2604.09123},
year = {2026}
}