协变量偏移下用于作者验证的自校准神经概率模型
计算与语言
2021-06-22 v1
摘要
我们致力于解决作者验证（AV）中的两个基本问题：主题可变性与误校准。两篇争议文本间主题的变化是大多数 AV 系统错误的主要来源。此外，观察到深度学习 AV 机制所产生的底层概率估计往往与相应训练数据中的实际案例计数不匹配。因此，概率估计校准不良。我们将 PAN 2020 的框架进行扩展，引入贝叶斯因子打分（BFS）与不确定性自适应层（UAL）以解决这两个问题。使用 2020/21 PAN AV 共享任务数据的实验表明，所提方法显著降低了对主题变化的敏感性，并显著改善了系统的校准。
引用
@article{arxiv.2106.11196,
title = {Self-Calibrating Neural-Probabilistic Model for Authorship Verification Under Covariate Shift},
author = {Benedikt Boenninghoff and Dorothea Kolossa and Robert M. Nickel},
journal= {arXiv preprint arXiv:2106.11196},
year = {2021}
}
备注
12th International Conference of the CLEF Association, 2021