面向类不平衡文本分类的无监督强化自适应
计算与语言
2022-05-27 v1 机器学习
摘要
当在不同领域训练和测试模型时，类不平衡自然存在。无监督域自适应（UDA）仅利用源域可获取的标注和目标域无标签数据来提升模型性能。然而，现有最先进的UDA模型学习域不变表征，并主要在跨域类平衡数据上评估。本工作中，我们提出一种通过强化学习的无监督域自适应方法，联合利用跨域的特征变体与不平衡标签。我们以易于获取数据集的文本分类任务进行实验，并将所提方法与五个基线比较。在三个数据集上的实验证明，我们的方法能有效学习鲁棒域不变表征，并成功跨域自适应至不平衡类的文本分类器。代码见 https://github.com/woqingdoua/ImbalanceClass。
引用
@article{arxiv.2205.13139,
title = {Unsupervised Reinforcement Adaptation for Class-Imbalanced Text Classification},
author = {Yuexin Wu and Xiaolei Huang},
journal= {arXiv preprint arXiv:2205.13139},
year = {2022}
}