无监督不可迁移文本分类

训练一个好的深度学习模型需要大量数据与计算资源,这使得所得的神经模型成为有价值的知识产权。为防止神经网络被不期望地利用,不可迁移学习被提出以削弱模型在特定目标域上的泛化能力。然而,现有方法需要目标域的标注数据,而这往往难以获取。此外,它们不具备仍可恢复模型访问目标域能力的机制。本文提出一种用于文本分类任务的新颖无监督不可迁移学习方法,其不需要标注的目标域数据。我们进一步在方法中引入密钥组件以恢复对目标域的访问,并设计了显式与隐式两种实现方式。大量实验证明了我们方法的有效性。