风格迁移作为数据增强：以命名实体识别为例
计算与语言
2022-10-17 v1
摘要
在这项工作中，我们以英语命名实体识别任务为案例，探索将风格迁移作为数据增强方法，以在低资源场景下增加训练数据的规模与多样性。我们提出一种新方法，通过更改文本的风格相关属性，将其从高质量资源域有效转换至低资源域，从而生成用于训练的的合成数据。此外，我们设计了一种约束解码算法及一组用于数据选择的关键要素，以保证生成有效且连贯的数据。在五种不同域对及不同数据规模下的实验与分析表明，与当前最先进的数据增强方法相比，我们的方法能显著提升效果。我们的方法是解决数据稀缺的实用方案，并期望其可应用于其他 NLP 任务。
引用
@article{arxiv.2210.07916,
title = {Style Transfer as Data Augmentation: A Case Study on Named Entity Recognition},
author = {Shuguang Chen and Leonardo Neves and Thamar Solorio},
journal= {arXiv preprint arXiv:2210.07916},
year = {2022}
}
备注
To appear at EMNLP 2022 main conference