基于对比对抗域混合的COVID-19信息服务无监督域适应
计算与语言
2022-10-10 v1 人工智能
摘要
在COVID-19 misinformation检测的实际应用中，一个根本挑战是缺乏标注的COVID数据以实现模型的有监督端到端训练，尤其在疫情早期阶段。为应对该挑战，我们提出一种使用对比学习和对抗域混合的无监督域适应框架，将知识从现有源数据域迁移到目标COVID-19数据域。具体而言，为弥合源域与目标域之间的差距，我们的方法减小了基于径向基函数（RBF）的这两域间差异。此外，我们利用域对抗样本的力量建立中间域混合，其中来自两域的输入文本的潜在表示可在训练过程中混合。在多个真实世界数据集上的大量实验表明，与最先进的基线相比，我们的方法能有效地将misinformation检测系统适应到未见过的COVID-19目标域并取得显著提升。
引用
@article{arxiv.2210.03250,
title = {Unsupervised Domain Adaptation for COVID-19 Information Service with Contrastive Adversarial Domain Mixup},
author = {Huimin Zeng and Zhenrui Yue and Ziyi Kou and Lanyu Shang and Yang Zhang and Dong Wang},
journal= {arXiv preprint arXiv:2210.03250},
year = {2022}
}