「ランダムラベルを利用することでテキスト分類が改善する！ | AI-SCHOLAR | AI：(人工知能)論文・技術情報メディア」

3つの要点✔️ 予測手順において余分な計算コストをかけることなく性能を向上✔️ ラベルスムージング法に対するLabel Confusion Model(LCM)の優位性も検証✔️ LCMは混乱したデータセットやノイズの多いデータセットに特に有効であり、ラベル平滑化法（LS）よりもかなりの程度優れていることが実証Label Confusion Learning to Enhance Text Classification Modelswritten by Biyang Guo, Songqiao Han, Xiao Han, Hailiang Huang, Ting Lu(Submitted on 9 Dec 2020)Comments: Accepted by AAAI 2021.Subjects: Computation and Language (cs.CL); Artificial Intelligence (cs.AI)code：  はじめにテキストの分類は、自然言語処理における基本的なタスクの一つであり、ニュースフィルタリングやスパム検出など、幅広い応用が可能です。テキストの分類は、特に深層学習ベースの手法が適用され、早い段階で多くの成功を収めています。数多くの深層学習モデルがテキスト分類問題で成功を収めていますが、それらはすべてテキスト表現のための深層学習モデル、ラベル分布を予測する分類器、予測された確率分布とワンショットラベルベクトルの間のクロスエントロピー損失という同じ学習パラダイムです。しかし、この学習パラダイムには、少なくとも2つの問題が存在します。一般的なテキスト分類タスクにおいて、ワンショットラベルは、すべてのカテゴリが互いに独立であるという仮定に基づいています。しかし実際には、ラベルは完全には独立していないことが多く、インスタンスは複数のラベルに関連していることが一般的です。その結果、真のラベルを単にワンショットで表現するだけでは、インスタンスとラベルの関係を考慮することができず、深層学習モデルの学習能力を制限することになります。

ai-scholar.tech

Webページ

コンテンツ文字数：0 文字

見出し数（H2/H3タグ）：0 個

閲覧数：110 件

2021-07-29 20:09:21

オリジナルページを開く

B!