@进行中{xu-etal-2023-vontss,title=“v{ONTS}:v{MF}基于最优传输的半监督神经主题建模”,author=“Xu、Weijie和江、小雨和Sengamedu Hanumantha Rao、Srinivasan和伊纳奇、弗朗西斯和赵金进”,editor=“罗杰斯、安娜和Boyd-Graber、Jordan和冈崎,直木“,booktitle=“计算语言学协会的发现:ACL 2023”,月=七月,年=“2023”,address=“加拿大多伦多”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.findings-acl.271",doi=“10.18653/v1/2023.findings-acl.271”,pages=“4433--4457”,abstract=“最近,受变分自动编码器启发,神经主题模型(NTM)吸引了很多研究兴趣;然而,由于难以融入人类知识,这些方法在现实世界中的应用受到了限制。本文提出了一种半监督神经主题建模方法vONTSS,该方法使用基于von Mises-Fisher(vMF)的变分自编码器和最优传输。当每个主题提供几个关键词时,半监督设置中的vONTSS会生成潜在主题,并优化主题关键词质量和主题分类。实验表明,vONTSS在分类精度和多样性方面优于现有的半监督主题建模方法。vONTSS还支持无监督主题建模。定量和定性实验表明,在无监督环境下,vONTSS在多个方面优于最近的NTM:vONTSS在基准数据集上发现高度聚集和连贯的主题。它也比最新的弱监督文本分类方法快得多,同时实现了类似的分类性能。我们进一步证明了最优输运损失和交叉熵损失在全局最小值处的等价性。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“xu-etal-2023-vontss”><标题信息><title>vONTSS:基于vMF的半监督神经主题建模与最优传输</titleInfo><name type=“personal”>魏杰(Weijie)<namePart type=“family”>徐</namePart><角色>作者</角色></name><name type=“personal”><namePart type=“given”>小雨</namePart>江<namePart type=“family”><角色>作者</角色></name><name type=“personal”>斯里尼瓦桑Sengamedu Hanumantha Rao<角色>作者</角色></name><name type=“personal”>弗朗西斯伊安娜奇<角色>作者</角色></name><name type=“personal”>金进<namePart type=“given”>赵<namePart type=“family”><角色>作者</角色></name><originInfo>发布日期:2023-07发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会的发现:ACL 2023</titleInfo><name type=“personal”>安娜<namePart type=“family”>Rogers</namePart>罗杰斯<角色>编辑器</角色></name><name type=“personal”>约旦博伊德·格雷伯<角色>编辑器</角色></name><name type=“personal”>Naoaki(Naoaki)冈崎<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>加拿大多伦多</place></originInfo>会议出版物</relatedItem>最近,受变分自编码器启发,神经主题模型(NTM)吸引了很多研究兴趣;然而,由于融入人类知识的挑战,这些方法在现实世界中的应用有限。本文提出了一种半监督神经主题建模方法vONTSS,该方法使用基于von Mises-Fisher(vMF)的变分自编码器和最优传输。当为每个主题提供几个关键字时,半监督设置中的vONTSS会生成潜在主题,并优化主题关键字质量和主题分类。实验表明,vONTSS在分类精度和多样性方面优于现有的半监督主题建模方法。vONTSS还支持无监督主题建模。定量和定性实验表明,在无监督环境下,vONTSS在多个方面优于最近的NTM:vONTSS在基准数据集上发现高度聚集和连贯的主题。它也比最新的弱监督文本分类方法快得多,同时实现了类似的分类性能。我们进一步证明了最优输运损失和交叉熵损失在全局最小值处的等价性</摘要>xu-etal-2023-vontss10.18653/v1/2023.findings-acl.271<位置><网址>https://aclantology.org/2023.findings-acl.271</url></位置><部分>2023-07年<扩展单元=“page”><开始>4433</开始><end>4457</end></范围></部分></mods></modsCollection>
%0会议记录%T vONTSS:基于vMF的最优传输半监督神经主题建模%阿旭、魏杰%阿江、小雨%斯里尼瓦桑Sengamedu Hanumantha Rao%弗朗西斯·艾纳奇%A Zhao、Jinjin%安娜·罗杰斯%Y Boyd-Graber,约旦%Y冈崎,直崎%计算语言学协会的研究结果:ACL 2023%D 2023年%7月8日%计算语言学协会%C加拿大多伦多%F xu-etal-2023-vontss公司%最近,受变分自动编码器的启发,神经主题模型(NTM)吸引了很多研究兴趣;然而,由于难以融入人类知识,这些方法在现实世界中的应用受到了限制。本文提出了一种半监督神经主题建模方法vONTSS,该方法使用基于von Mises-Fisher(vMF)的变分自编码器和最优传输。当为每个主题提供几个关键字时,半监督设置中的vONTSS会生成潜在主题,并优化主题关键字质量和主题分类。实验表明,vONTSS在分类精度和多样性方面优于现有的半监督主题建模方法。vONTSS还支持无监督主题建模。定量和定性实验表明,在无监督环境下,vONTSS在多个方面优于最近的NTM:vONTSS在基准数据集上发现高度聚集和连贯的主题。它也比最新的弱监督文本分类方法快得多,同时实现了类似的分类性能。我们进一步证明了最优输运损失和交叉熵损失在全局最小值处的等价性。%R 10.18653/v1/2023.查找-acl.271%U型https://aclantology.org/2023.findings-acl.271%U型https://doi.org/10.18653/v1/2023.findings-acl.271%第4433-4457页
降价(非正式)
[vONTSS:基于vMF的优化传输半监督神经主题建模](https://aclantology.org/2023.findings-acl.271)(Xu等人,发现2023)
国际计算语言学协会
- 徐伟杰(Weijie Xu)、蒋晓宇(Xiaoyu Jiang)、斯里尼瓦桑·森加梅杜·哈努曼塔·拉奥(Srinivasan Sengamedu Hanumantha Rao)、弗朗西斯·伊安纳奇(Francis Iannacci)和赵金进(。2023vONTSS:基于vMF的最优传输半监督神经主题建模.英寸计算语言学协会的研究结果:ACL 2023,第4433–4457页,加拿大多伦多。计算语言学协会。