@进料{dong-etal-2020-meta,title=“Meta-Information Guided Meta-Learning for Few-Shot Relation Classification”,author=“Dong、Bowen和姚、袁和谢若兵高、天宇和韩、徐和刘志远和林、芬和Lin、Leyu和孙茂松”,editor=“Scott、Donia和贝尔、努里亚和宗成庆”,booktitle=“第28届国际计算语言学会议论文集”,月=12月,年=“2020”,address=“西班牙巴塞罗那(在线)”,publisher=“国际计算语言学委员会”,url=“https://aclantology.org/2020.coling-main.140",doi=“10.18653/v1/2020.coling-main.140”,pages=“1594--1605”,抽象=“少快照分类要求分类器仅使用少量训练实例来适应新类。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适应参数,这在少快照分类中显示出了良好的结果。然而,现有的元学习模型仅依赖于基于隐式实例的统计,因此存在实例不可靠性和弱可解释性。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。关于少镜头关系分类的综合实验结果证明了所提出的框架的有效性。值得注意的是,MIML在FewRel评估中仅用一次镜头就实现了与人类相当或优越的性能。",}
<?xml版本=“1.0”编码=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“dong-etal-2020-meta”><标题信息><title>针对少数快照关系分类的元信息引导元学习</titleInfo><name type=“personal”>博文侗族<角色>作者</角色></name><name type=“personal”><namePart type=“given”>元姚明<角色>作者</角色></name><name type=“personal”><namePart type=“given”>若冰</namePart><namePart type=“family”>谢</namePart><角色>作者</角色></name><name type=“personal”>天宇<namePart type=“given”>高<namePart type=“family”><角色>作者</角色></name><name type=“personal”><namePart type=“given”>徐韩寒<角色>作者</角色></name><name type=“personal”>致远<namePart type=“given”>刘<角色>作者</角色></name><name type=“personal”>芬恩林<角色>作者</角色></name><name type=“personal”>乐余<namePart type=“given”>林<角色>作者</角色></name><name type=“personal”>毛松太阳<角色>作者</角色></name><originInfo><发布日期>2020-12</发布日期></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第28届国际计算语言学会议论文集</titleInfo><name type=“personal”>Donia(多尼亚)斯科特<角色>编辑器</角色></name><name type=“personal”>努里亚贝尔<角色>编辑器</角色></name><name type=“personal”>成清<namePart type=“given”>宗族<角色>编辑器</角色></name><originInfo>国际计算语言学委员会<位置>西班牙巴塞罗那(在线)</地点></originInfo>会议出版物</relatedItem><abstract>Few-shot分类要求分类器仅使用少量训练实例来适应新类。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</摘要><identifier type=“citekey”>dong-etal-2020-meta<identifier type=“doi”>10.18653/v1/2020。coling-main.140<位置><网址>https://acl选集.org/2020.coling-main.140</url></位置><部分>2020-12年<日期><扩展单元=“page”><开始>1594</开始><end>1605</范围></部分></mods></modsCollection>
%0会议记录%T元信息引导的少快照关系分类元学习%博文·阿东%阿瑶、袁%阿谢,若冰%高天宇%阿汉、徐%刘志远%阿林,芬%阿琳、乐余%孙茂松%多尼亚·Y·斯科特%努里亚·Y·贝尔%Y Zong、程青%第28届国际计算语言学会议论文集%D 2020年%12月8日%国际计算语言学委员会%C巴塞罗那,西班牙(在线)%F东风-2020-meta%XFew-shot分类要求分类器仅使用少量训练实例来适应新类。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。%R 10.18653/v1/2020.coling-main.140%U型https://aclantology.org/2020.coling-main.140%U型https://doi.org/10.18653/v1/2020.coling-main.140%电话1594-1605
降价(非正式)
【基于Meta-Information的Meta-Learning for Few-Shot关系分类】(https://aclantology.org/2020.coling-main.140)(Dong等人,COLING 2020)
国际计算语言学协会