Multi-Source Domain Adaptation for Text Classification via DistanceNet-Bandits论文学习
- 摘要
目标域上的学习算法的域适应性能是其源域的误差和两个域的数据分布的散度度量。我们在NLP任务的上下文任务中研究了各种基于距离的方法,根据样本估计来描述域之间的差异。我们首先进行了分析实验来展示哪种距离度量方法可以最好地区分样本来自相同领域还是不同领域,和实际结果相关。接下来,我们研究了一种叫做DistanceNet的模型,这个模型使用这些距离度量的方法,或者将这些度量方法混合,作为一种额外的损失函数来和任务的损失函数一起进行优化,是以为了获得更好的无监督域适应。最后,我们扩展这个模型。变成了一个新型的距离网络多臂老虎机,使用多臂老虎机控制器来在多资源域中进行动态切换,允许模型学习一种最优的轨迹和域混合转移到低资源的目标域 - 关于域适应的几种 方法
通过在不同阶段进行领域自适应,研究者提出了三种不同的领域自适应方法:1)样本自适应,对源域样本进行加权重采样,从而逼近目标域的分布。2)特征层面自适应,将源域和目标域投影到公共特征子空间。3)模型层面自适应,对源域误差函数进行修改,考虑目标域的误差。 - 介绍
在大规模标签数据可用的情况下,监督学习算法已经在NLP挑战中取得了显著的进展。大部分监督学习算法依赖的假设是数据分布在训练和测试时是一样的。然而,在很多真实生活场景中,在测试时间的数据分布可能和训练不一样,由于金钱和时间的限制,收集新数据的过程是不可度量的。因此,域适应的目的是构造一个算法,当给定从源域上的观察样本时,能够适应其表现在目标域上,目标域的数据分布通常是不一样的。在域适应领域中主要包括两种方法,监督域适应和非监督域适应。前者的方法是,目标域中有限的训练数据可以为信号提供监督,然而,后者只有未标记的目标域数据是可用的。在这篇文章中,我们关注非监督域适应,并且表明域适应的性能被三个因素影响。第一个是源任务的模型性能,受益于最近神经模型的进步,并且与我们的重点是正交的。第二个因素是跨域标记函数的差异,这是属性所固有的数据集在实践中可能很小(Ben-David et al.2010)。第三个因素代表了对数据分布散度的度量——如果源域和目标域之间的数据分布相似,我们可以合理地期望在源域上训练的模型在目标域上表现良好。我们的工作主要集中在最后一个因素上,目的是在NLP的背景下研究以下两个问题:如何准确地估计一对域(第3节和第6节)之间的差异,以及如何利用这些域的差异度量来改进域适应学习。
最后,我们首先提供了几种于距离度量的详细的研究(对比,模型和分析),以可伸缩性(易于计算)、可微性(可最小化)和可解释性(以一种简单的分析形式,具有经过充分研究的特性)为目标。我们首先在第3节中定义这些距离度量,并在第6节中提供一组分析来评估它们:(1)这些距离度量分隔域的能力,以及(2)这些距离度量与实证结果之间的相关性。从这些分析中,我们注意到不存在一个适合所有的最佳距离度量,并且每个度量提供了一个可以互补的域距离估计值(例如,基于差异和类分离)。因此,我们也建议使用混合的距离测量,其中我们额外引入了一个无监督的标准来选择最佳的距离测量,以减少混合时额外的超参数的重量。基于差异和类分离)。在上述分析的激励下,我们继续提出一个简单的“DistanceNet”模型(见第4节),该模型将这些度量集成到训练优化中。特别是,我们增加了一个额外的距离测量分类任务损失函数。通过最小化来自源和目标域的特征之间的表示距离,该模型可以更好地学习与域无关的特征。最后,当来自多个源域的数据存在时,我们学习这些域的动态调度在不训练的情况下,最大限度地提高学习效果目标任务通过将动态域选择问题构建为一个多臂老虎机问题,其中每个支臂代表一个候选源域 - 相关工作
- 域距离度量方法
在第一部分,我们阐明了域适应性能和域距离或相似度有关。我们首先介绍单独的距离度量方法,然后再描述我们对这些方法的混合。距离度量方法的目的是估计两个域有多么不同,我们将会介绍5中方法:L2距离,cosine距离,最大均值差异,线性判别分析和关系对齐。
符号表示
L2距离 描述源域和目标域样本的欧几里得距离;
算出各自域的均值,再使用二范式cosine距离 计算二者的相似性后计算差异1-s
最大均值差异(MMD)
原假设和备择假设
线性判别分析(FLD)
关系对齐
- 模型
1.基础模型
LSTM+FC
给定一个单词序列,我们首先将其嵌入到向量表示中,hT是LSTM的输出,之后用一个全连接层得出预测标签,分类的损失是
2.距离网络
总的损失函数 = 分类的交叉熵损失 + 距离度量
距离度量 指的是上面几种度量方法
3. 使用多臂老虎机的动态多源的距离网络
当我们有大量的额外资源时,我们需要一个更好的方式来利用这些资源,一种比较简单的方法是将这些多资源看成是一个大的资源。这里使用的方法是多臂老虎机,
t是迭代次数,Nt(a)代表这个动作被选择的次数,A代表候选动作,Q(a)代表动作的值。
在本文中,动作指的大源中的一个个小源域。
在验证集上的损失函数作为多臂老虎机的奖励,用于调整源域选择的权重
Multi-Source Domain Adaptation for Text Classification via DistanceNet-Bandits论文学习相关推荐
- TGRS2020/遥感:Multisource Domain Adaptation for Remote Sensing Using Deep Neural Netw基于深度神经网络的遥感多源域自适应
TGRS2020/遥感:Multisource Domain Adaptation for Remote Sensing Using Deep Neural Networks基于深度神经网络的遥感多源 ...
- 遥感图像-Deep Feature Alignment Neural Networks for Domain Adaptation of Hyperspectral Data高光谱数据深度特征对齐神经
Deep Feature Alignment Neural Networks for Domain Adaptation of Hyperspectral Data高光谱数据领域自适应的深度特征对齐神 ...
- Multi-Source Domain Adaptation 多源域适应 最新论文集合
Multi-Source Domain Adaptation 最新论文集合 [ICCV 2019] Moment Matching for Multi-Source Domain Adaptation ...
- 从近年顶会论文看领域自适应(Domain Adaptation)最新研究进展
©PaperWeekly 原创 · 作者 | 张一帆 学校 | 中科院自动化所博士生 研究方向 | 计算机视觉 Domain Adaptation 即在源域上进行训练,在目标域上进行测试. 本文总结了 ...
- 【李宏毅2020 ML/DL】P86-87 More about Domain Adaptation
我已经有两年 ML 经历,这系列课主要用来查缺补漏,会记录一些细节的.自己不知道的东西. 本节内容综述 本节课由助教 Chao Brian 讲解. 首先讲解些领域适配的基础内容,包括名词.定义等. 接 ...
- domain adaptation 小综述
前段时间为了一个项目读了一些domain adaptation的论文,希望了解领域背景和前沿,现在进行一个总结. 首先介绍下domain adaptation的概念,简单地说就是,在一个数据集上训练得 ...
- 论文笔记:Contrastive Adaptation Network for Unsupervised Domain Adaptation
1. 任务设置 U n s u p e r v i s e d D o m a i n A d a p t a t i o n f o r I m a g e C l a s s i f i c a ...
- Induction Networks for Few-Shot Text Classification(2020-08-31)
Induction Networks for Few-Shot Text Classification 一.关于论文 <Induction Networks for Few-Shot Text ...
- 无源领域自适应:Source Hypothesis Transfer for Unsupervised Domain Adaptation
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adap ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
最新文章
- 【产品】密码明文显示的必要性和解决方案
- 互联网1分钟 |1019
- exit() 与_exit的区别
- opengl如何画出一个球_少儿美术绘画教程:毛线球
- Bourbon: 让你的sass更简洁
- 基础拾遗------webservice详解
- 配置spring事务管理的几种方式(声明式事务)
- Centos7 安装Oracle JDK1.8和OpenJDK 1.8
- 吴恩达教授机器学习课程笔记【三】广义线性模型(1)-指数族分布
- TFTP 服务器的配置
- 别再用所谓的MD5加密了,大佬们都用它——>MD5盐值加密多方法详解
- 2021年12月中国A股钢铁行业上市企业市值排行榜:行业总市值较11月增长1.18%,金洲管道增幅最大(附月榜TOP44详单)
- 基于Cesium使用自定义着色器的资源总结
- Raft算法实现 - Sofa-JRaft,选主,数据写入,日志复制
- Mac AndroidStudio .9图片制作
- 7-4 宿舍谁最高? (20 分)
- MySQL——数据库读写分离原理
- 安装elevation_mapping与traversability_estimation
- 2021年熔化焊接与热切割考试题及熔化焊接与热切割模拟考试题
- 【顺序表和单链表的比较】
热门文章
- linux 文件与用户管理
- 怎样快速搭建个人网站?
- 一篇就够!!!Flutter 最全开源项目,从新手到Flutter架构师,(详解UI、导航、网络、导航、音视频...)
- Python 自动化之 UnitTest 框架实战
- java火柴游戏_java编写火柴游戏
- windows server服务无法启动报1059错误
- [附源码]java毕业设计基于实时定位的超市配送业务管理
- 用编辑pdf的软件怎么给pdf加便贴
- Versus-在线全球物品可视化比较平台 万物皆可对比
- MECE(Mutually Exclusive Collectively Exhaustive)