SECRET：基于语义增强的现实任务分类方法
机器学习
2020-04-20 v3 计算与语言
机器学习
摘要
监督式机器学习（ML）算法旨在可用能量与存储约束下最大化分类性能。它们试图将训练数据映射到相应标签，同时确保对未见过数据的泛化能力。然而，它们并未在决策过程中整合标签间基于意义的关联。另一方面，自然语言处理（NLP）算法强调语义信息的重要性。本文中，我们将监督式 ML 与 NLP 算法的互补优势综合为一种方法，称之为 SECRET（Semantically Enhanced Classification of REal-world Tasks，基于语义增强的现实任务分类）。SECRET 通过融合标签的语义信息与可用数据来进行分类：它将监督算法的特征空间与 NLP 算法的语义空间相结合，并基于该联合空间预测标签。实验结果表明，相较于传统监督学习，SECRET 实现了最高 14.0% 的准确率与 13.1% 的 F1 分数提升。此外，相较于集成方法，SECRET 实现了最高 12.7% 的准确率与 13.3% 的 F1 分数提升。这指向了基于语义信息融合的监督分类新研究方向。
引用
@article{arxiv.1905.12356,
title = {SECRET: Semantically Enhanced Classification of Real-world Tasks},
author = {Ayten Ozge Akmandor and Jorge Ortiz and Irene Manotas and Bongjun Ko and Niraj K. Jha},
journal= {arXiv preprint arXiv:1905.12356},
year = {2020}
}
备注
16 pages, 20 figures, 2 tables - IEEE Transactions on Computers