論文の概要: Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling
- arxiv url: http://arxiv.org/abs/2603.02267v1
- Date: Sat, 28 Feb 2026 13:59:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.483309
- Title: Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling
- Title（参考訳）: ラベル誘導距離スケーリングによるFew-Shotテキスト分類のためのブースティングメタラーニング
- Authors: Yunlong Gao, Xinyue Liu, Yingbo Wang, Linlin Zong, Bo Xu,
- Abstract要約: 短いショットテキスト分類は、ラベル付きテキストサンプルが限定された未確認のクラスを認識することを目的としている。
textbfLabel-guided textbfDistance textbfScaling (LDS) 戦略を提案する。
トレーニング段階において、ラベル誘導損失を設計し、ラベルの意味情報を注入し、サンプル表現を近づける。
テスト段階では,ラベルセマンティクスを用いてサンプル表現をスケールし,さらなる監視信号を提供するラベル誘導尺度を提案する。
- 参考スコア（独自算出の注目度）: 14.128153594493964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot text classification aims to recognize unseen classes with limited labeled text samples. Existing approaches focus on boosting meta-learners by developing complex algorithms in the training stage. However, the labeled samples are randomly selected during the testing stage, so they may not provide effective supervision signals, leading to misclassification. To address this issue, we propose a \textbf{L}abel-guided \textbf{D}istance \textbf{S}caling (LDS) strategy. The core of our method is exploiting label semantics as supervision signals in both the training and testing stages. Specifically, in the training stage, we design a label-guided loss to inject label semantic information, pulling closer the sample representations and corresponding label representations. In the testing stage, we propose a Label-guided Scaler which scales sample representations with label semantics to provide additional supervision signals. Thus, even if labeled sample representations are far from class centers, our Label-guided Scaler pulls them closer to their class centers, thereby mitigating the misclassification. We combine two common meta-learners to verify the effectiveness of the method. Extensive experimental results demonstrate that our approach significantly outperforms state-of-the-art models. All datasets and codes are available at https://anonymous.4open.science/r/Label-guided-Text-Classification.
- Abstract（参考訳）: 短いショットテキスト分類は、ラベル付きテキストサンプルが限定された未確認のクラスを認識することを目的としている。
既存のアプローチでは、トレーニング段階で複雑なアルゴリズムを開発することでメタラーナーの強化に重点を置いている。
しかし、ラベル付きサンプルは試験段階でランダムに選択されるため、効果的な監視信号を提供していないため、誤分類につながる可能性がある。
この問題に対処するため,本稿では, {textbf{L}abel-guided \textbf{D}istance \textbf{S}caling (LDS) 戦略を提案する。
本手法のコアとなるのは,トレーニング段階とテスト段階の両方において,ラベルセマンティクスを監視信号として活用することである。
具体的には、学習段階において、ラベル誘導損失を設計し、ラベルの意味情報を注入し、サンプル表現と対応するラベル表現を引き付ける。
テスト段階では,ラベルセマンティクスを用いてサンプル表現をスケールし,さらなる監視信号を提供するラベル誘導尺度を提案する。
従って、ラベル付きサンプル表現がクラスセンタから遠く離れているとしても、ラベル誘導スケールアはそれらをクラスセンタに近づけることで、誤分類を軽減します。
提案手法の有効性を検証するために,2つのメタラーナーを組み合わせる。
大規模な実験結果から,本手法は最先端モデルよりも有意に優れていたことが示唆された。
すべてのデータセットとコードはhttps://anonymous.4open.science/r/Label-guided-Text-Classificationで公開されている。
関連論文リスト
- Towards Micro-Action Recognition with Limited Annotations: An Asynchronous Pseudo Labeling and Training Approach [35.32024173141412]
本稿では,SSMAR(Semi-Supervised MAR)の設定について紹介する。
従来のSemi-Supervised Learning(SSL)メソッドは、不正確な擬似ラベルに過度に適合する傾向があり、エラーの蓄積と性能の低下につながる。
擬似ラベル作成プロセスとモデルトレーニングを明確に分離する非同期擬似ラベル作成訓練(APLT)を提案する。
論文 参考訳（メタデータ） (2025-04-10T14:22:15Z) - Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。
初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。
ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
論文 参考訳（メタデータ） (2024-12-06T13:25:39Z) - Superpixelwise Low-rank Approximation based Partial Label Learning for Hyperspectral Image Classification [19.535446654147126]
キャプチャーされたハイパースペクトル画像(HSI)シーンの十分な事前知識は、専門家や自動ラベルシステムに誤ったラベルや曖昧なラベルを提供する可能性がある。
本稿では,新しい超画素単位の低ランク近似(LRA)に基づく部分ラベル学習法,SLAPを提案する。
論文 参考訳（メタデータ） (2024-05-27T12:26:49Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Prompt-based Pseudo-labeling Strategy for Sample-Efficient Semi-Supervised Extractive Summarization [12.582774521907227]
半教師付き学習(SSL)は、ラベル付きデータが不足し、ラベルなしデータが豊富であるシナリオで広く使われているテクニックである。
標準SSLメソッドは、まず分類モデルをトレーニングし、次に分類器の信頼性値を使用して擬似ラベルを選択するために教師-学生パラダイムに従う。
より正確な擬似ラベルでラベルなしのサンプルを抽出するLLMを用いたプロンプトベースの擬似ラベル方式を提案する。
論文 参考訳（メタデータ） (2023-11-16T04:29:41Z) - Exploring Structured Semantic Prior for Multi Label Recognition with
Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。
最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。
我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文 参考訳（メタデータ） (2023-03-23T12:39:20Z) - CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。
CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
論文 参考訳（メタデータ） (2022-02-17T08:09:40Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
論文 参考訳（メタデータ） (2020-10-19T17:59:30Z) - Unsupervised Semantic Aggregation and Deformable Template Matching for
Semi-Supervised Learning [34.560447389853614]
ラベルなしデータのセマンティックラベルを生成するために,T-MI損失に基づく教師なしセマンティックアグリゲーションを提案する。
ラベル付きサンプルを格納する機能プールは動的に更新され、ラベルなしデータのプロキシラベルが割り当てられる。
実験と解析により、USADTMが最高性能を達成することを確認した。
論文 参考訳（メタデータ） (2020-10-12T08:17:56Z) - Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。
既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。
本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T03:54:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。