基于Meta-Information的少快照关系分类的Meta-Learning

Bowen Dong公司,袁瑶,谢若兵,天宇高,徐涵,刘志远,芬林（Fen Lin）,林乐宇（Leyu Lin）,孙茂松

摘要
少量快照分类要求分类器只需少量训练实例就可以适应新类。最先进的元学习方法（如MAML）学习如何从有限的实例中初始化和快速调整参数，这在少数快照分类中显示了良好的结果。然而，现有的元学习模型仅依赖于基于实例的隐式统计，因而存在实例不可靠和可解释性差的问题。为了解决这个问题，我们提出了一个新的元信息引导元学习（MIML）框架，其中类的语义概念在初始化和自适应方面为元学习提供了强大的指导。实际上，我们的模型可以在基于实例的信息和基于语义的信息之间建立连接，从而实现更有效的初始化和更快的适应。对少数镜头关系分类的综合实验结果证明了该框架的有效性。值得注意的是，MIML在少数镜头关系评估中仅用一次就取得了与人类相当或更好的性能。
选集ID：
2020.coling-main.140年
体积：
第28届国际计算语言学会议论文集
月份：
十二月
年份：
2020
地址：
西班牙巴塞罗那（在线）
编辑：
多妮娅·斯科特,努里亚·贝尔,宗成庆
地点：
冷却
SIG公司：
出版商：
国际计算语言学委员会
注：
页：
1594–1605
语言：
网址：
https://aclantology.org/2020.coling-main.140
内政部：
10.18653/v1/2020.coling-main.140
双钥匙：
引用（ACL）：
董伯文（Bowen Dong）、姚远（Yuan Yao）、谢若兵（Ruobing Xie。2020基于Meta-Information的少快照关系分类的Meta-Learning.英寸第28届国际计算语言学会议论文集，第1594-1605页，西班牙巴塞罗那（在线）。国际计算语言学委员会。
引用（非正式）：
基于Meta-Information的少快照关系分类的Meta-Learning（Dong等人，COLING 2020）
复制引文：
PDF格式：
https://aclcollectory.org/2020.coling-main.140.pdf
代码
thunlp/最小
数据
少量Rel
PDF格式 引用 搜索 代码