双对抗元学习网络

跨域鲁棒提升

利用双域对抗与元学习生成域适应知识，增强少镜头文本分类在未知领域的泛化能力。

Xuyang, Wang · 杜亚军 · Danroujing, Chen · 李显勇 · Xiaoliang, Chen · 范永全 · 谢春芝 · Yanli, Li · 刘嘉 · 李辉

Applied Soft Computing Journal 2023

参数信息

跨域少镜头文本分类平均性能提升

3.84 %

平均性能提升（相对五个基线模型）

7.20 %

平均性能提升（相对最佳基线方法）

2.69 %

技术优势

跨域更稳

双对抗网络对来自不同领域的两个任务进行对抗训练，提升模型对领域漂移的适应能力。

知识生成更专

对抗训练中引入域知识生成器，能生成特定领域的知识，由域判别器识别其域标签。

应用场景

• 少镜头文本分类：在标注样本极少时提升文本分类准确率。
• 领域自适应模型：为目标域数据自适应地生成领域知识。
• 文本分析工具：作为工具组件嵌入文本分析流程，提升跨域泛化能力。