本文共 1746 字,大约阅读时间需要 5 分钟。
作者:凯
单位:燕山大学论文链接:
人类可以在很少的例子中非常有效地区分新类别,主要是由于人类可以利用从相关任务获得的知识。然而,基于深度学习的文本分类模型往往会在标记数据稀缺时难以实现满意的性能。由此,我们在小样本学习任务上引入外部知识。为此我们提出一种新的参数生成器网络,使用该网络,类似的任务可以使用类似的度量,而不同的任务使用不同的度量。通过实验,我们证明了我们的方法优于之前的SOTA文本分类模型。
在小样本学习中的关键挑战是充分利用有限标记的例子来查找“正确的”概括。度量学习是一个有效的结局小样本学习问题的方法。在文本分类中直接采用基于度量的方法面临着任务多样化并且意义不同的问题,因为对于一个任务来说,具有高度信息的词语可能与其他任务不相关。
为了解决度量学习中任务多样性的问题,我们提出了一种知识引导的度量学习方法。我们使用知识库的外部知识来模仿人类知识,而且在以前的工作中忽略了外部知识的重要性。我们利用KB的分布式表示而不是象征性的事实,因为象征性的事实面临着较差的普遍和数据稀疏性。基于此类KB Embeddings,我们提出了一种新颖的参数生成器网络来生成任务相关的关系网络参数。通过这些生成的参数,任务相关的关系网络能够对不同的任务应用不同的度量,并确保类似的任务使用类似的度量,而不同的任务使用不同的度量。任务无关关系网络模块与最初的Relation Network相同, r z , j a g n r^{agn}_{z,j} rz,jagn代表查询实例 x j x_j xj和类原型 c z c_z cz之间的关系。其中 R N a g m RN^{agm} RNagm代表任务无关关系网络, θ a g n \theta^{agn} θagn代表学习参数。
任务相关关系网络:利用额外的知识对不同的任务采用不同的度量。在知识图谱中检索潜在的相关概念 K ( S ) K(S) K(S)。对支持集中的每个实例都用平均KB embedding e i e_i ei的方法代替。 从而得到任务相关的模型参数 θ r e l \theta^{rel} θrel。 最终得到任务相关关系网络的得分。 最终对两个网络得分加起来通过一个sigmoid激活函数,使得得分在一个合理的区间内。转载地址:http://bhmgi.baihongyu.com/