基于变分图自编码器的无监督跨域先修链学习
计算与语言
2021-05-31 v3
摘要
学习先修链是在已知与未知领域中高效获取知识的关键任务。例如，某人可能是自然语言处理（NLP）领域的专家，但想确定在陌生的计算机视觉领域（CV）中学习新概念的最佳顺序。两个领域共享一些共同概念，如机器学习基础与深度学习模型。本文提出使用优化变分图自编码器的无监督跨域概念先修链学习。我们的模型学习将概念先修关系从信息丰富领域（源域）迁移到信息贫乏领域（目标域），大幅超越其他基线模型。此外，我们通过引入两个新领域：CV 与生物信息学（BIO），扩展了现有数据集。标注数据及资源以及代码将公开可用。
引用
@article{arxiv.2105.03505,
title = {Unsupervised Cross-Domain Prerequisite Chain Learning using Variational Graph Autoencoders},
author = {Irene Li and Vanessa Yan and Tianxiao Li and Rihao Qu and Dragomir Radev},
journal= {arXiv preprint arXiv:2105.03505},
year = {2021}
}
备注
Accepted by ACL 2021