有限标注数据场景下结合全局与局部图神经网络的无监督域自适应：在灾害管理中的应用
计算与语言
2024-10-28 v1 机器学习
摘要
灾害期间生成的社交媒体帖子的识别与分类，对减轻受灾民众痛苦至关重要。然而，标注数据的缺乏是学习有效灾害分类系统的重大瓶颈。这促使我们将该问题研究为具有标注数据的既往灾害（源域）与当前灾害（目标域）之间的无监督域自适应（UDA）。但若可用标注数据量有限，则会限制模型的学习能力。为应对此挑战，我们利用源域灾害期间生成的有限标注数据与丰富的无标注数据，提出一种新颖的两部分图神经网络。第一部分通过跨域构建词元级图来提取域无关全局信息，第二部分保留局部实例级语义。在实验中，我们表明所提方法在灾害管理领域两个标准公开数据集上以加权平均 F 分数平均超越最优技术 。我们还首次报告了灾害领域细粒度可操作多标签分类数据集的实验结果，在此类数据上我们以加权平均 F 平均超越 BERT 。此外，我们展示了在可用标注数据极少时，我们的方法仍能保持性能。
引用
@article{arxiv.2104.01436,
title = {Unsupervised Domain Adaptation with Global and Local Graph Neural Networks in Limited Labeled Data Scenario: Application to Disaster Management},
author = {Samujjwal Ghosh and Subhadeep Maji and Maunendra Sankar Desarkar},
journal= {arXiv preprint arXiv:2104.01436},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication