TACIT：面向跨域文本分类的目标不可知特征解耦框架
计算与语言
2024-01-01 v1
摘要
跨域文本分类旨在将模型从标签丰富的源域迁移到标签贫乏的目标域，具有广泛的实际应用。许多方法通过捕获域不变特征来促进跨域泛化。然而，这些方法依赖于目标域提供的无标签样本，当目标域不可知时，模型变得无效。此外，模型容易受到源域中捷径学习的干扰，这也阻碍了域泛化能力的提升。为了解决上述问题，本文提出了TACIT，一个目标域不可知的特征解耦框架，通过变分自编码器自适应地解耦鲁棒特征和非鲁棒特征。此外，为了促进非鲁棒特征与鲁棒特征的分离，我们设计了一个特征蒸馏任务，迫使非鲁棒特征逼近教师模型的输出。教师模型使用少量易样本进行训练，这些样本容易携带潜在的未知捷径。实验结果表明，我们的框架仅使用源域数据即可达到与最先进基线相当的结果。
引用
@article{arxiv.2312.17263,
title = {TACIT: A Target-Agnostic Feature Disentanglement Framework for Cross-Domain Text Classification},
author = {Rui Song and Fausto Giunchiglia and Yingji Li and Mingjie Tian and Hao Xu},
journal= {arXiv preprint arXiv:2312.17263},
year = {2024}
}
备注
Accepted by AAAI-2024