論文の概要: SCHK-HTC: Sibling Contrastive Learning with Hierarchical Knowledge-Aware Prompt Tuning for Hierarchical Text Classification

• arxiv url: http://arxiv.org/abs/2604.15998v1
• Date: Fri, 17 Apr 2026 12:22:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.908096
• Title: SCHK-HTC: Sibling Contrastive Learning with Hierarchical Knowledge-Aware Prompt Tuning for Hierarchical Text Classification
• Title（参考訳）: SCHK-HTC:階層型テキスト分類のための階層型知識認識型プロンプトチューニングによる兄弟型コントラスト学習
• Authors: Ke Xiong, Qian Wu, Wangjie Gan, Yuke Li, Xuhong Zhang,
• Abstract要約: Few-shot Hierarchical Text Classification (Fw-shot HTC)は、テキストをデータスカース条件下で事前に定義された木構造ラベル階層にマッピングする、難しいタスクである。 数ショットHTCタスク(SCHK-HTC)のための階層的知識認識型Prompt Tuningを用いたSibling Contrastive Learningという革新的な手法を提案する。 我々の研究は、階層的な規則を強制するのではなく、より深いレベルでの兄弟クラス間の微妙な違いに対するモデルの認識を強化する。
• 参考スコア（独自算出の注目度）: 27.094527519894573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot Hierarchical Text Classification (few-shot HTC) is a challenging task that involves mapping texts to a predefined tree-structured label hierarchy under data-scarce conditions. While current approaches utilize structural constraints from the label hierarchy to maintain parent-child prediction consistency, they face a critical bottleneck, the difficulty in distinguishing semantically similar sibling classes due to insufficient domain knowledge. We introduce an innovative method named Sibling Contrastive Learning with Hierarchical Knowledge-aware Prompt Tuning for few-shot HTC tasks (SCHK-HTC). Our work enhances the model's perception of subtle differences between sibling classes at deeper levels, rather than just enforcing hierarchical rules. Specifically, we propose a novel framework featuring two core components: a hierarchical knowledge extraction module and a sibling contrastive learning mechanism. This design guides model to encode discriminative features at each hierarchy level, thus improving the separability of confusable classes. Our approach achieves superior performance across three benchmark datasets, surpassing existing state-of-the-art methods in most cases. Our code is available at https://github.com/happywinder/SCHK-HTC.
• Abstract（参考訳）: Few-shot Hierarchical Text Classification (Fw-shot HTC)は、テキストをデータスカース条件下で事前に定義された木構造ラベル階層にマッピングする、難しいタスクである。 現在のアプローチでは、ラベル階層の構造的制約を利用して、親子予測の一貫性を維持するが、ドメイン知識が不十分なため、意味的に類似した兄弟クラスを区別することが困難である、重大なボトルネックに直面している。 本稿では,HTC タスク (SCHK-HTC) に対して,階層的知識を意識した Prompt Tuning を用いたSibling Contrastive Learning という革新的な手法を提案する。 我々の研究は、階層的な規則を強制するのではなく、より深いレベルでの兄弟クラス間の微妙な違いに対するモデルの認識を強化する。 具体的には,階層型知識抽出モジュールと兄弟型コントラスト学習機構という,2つのコアコンポーネントを特徴とする新しいフレームワークを提案する。 この設計により、各階層レベルでの識別的特徴を符号化するモデルが導出され、不定形クラスの分離性が改善される。 提案手法は3つのベンチマークデータセットにまたがって優れた性能を実現し,ほとんどの場合,既存の最先端手法を超越している。 私たちのコードはhttps://github.com/happywinder/SCHK-HTCで利用可能です。

関連論文リスト

• Hierarchical Representation Matching for CLIP-based Class-Incremental Learning [80.2317078787969]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、進化するデータストリームに継続的に適応可能なモデルを提供することを目的とする。 事前訓練された視覚言語モデル(例えばCLIP)の最近の進歩は、このタスクの強力な基盤を提供する。 本稿では,CLIPベースのCILのためのHiErarchical Representation MAtchiNg(HERMAN)を紹介する。
  論文  参考訳（メタデータ） (2025-09-26T17:59:51Z)
• Hierarchical Text Classification Using Contrastive Learning Informed Path Guided Hierarchy [1.0129089187146396]
  コントラスト学習インフォームドパスガイド階層(HTC-CLIP)を用いた階層型テキスト分類を提案する。 HTC-CLIPは、コントラスト学習を用いて、階層対応テキスト表現とテキスト情報経路案内階層表現を学習する。 以上の結果から,従来の2つのアプローチを1つのアーキテクチャに効果的に組み合わせて,性能向上を実現できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T18:51:34Z)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• Utilizing Local Hierarchy with Adversarial Training for Hierarchical Text Classification [30.353876890557984]
  階層的テキスト分類(HTC)は、その複雑な分類学的構造のために難しいサブタスクである。 我々は,ほぼすべてのHTCモデルに適合するHiAdvフレームワークを提案し,それを補助情報としてローカル階層で最適化する。
  論文  参考訳（メタデータ） (2024-02-29T03:20:45Z)
• Hierarchical Verbalizer for Few-Shot Hierarchical Text Classification [10.578682558356473]
  階層的テキスト分類(HTC)は、低リソースまたは少数ショットの設定を考慮すると、パフォーマンスが低下する。 本稿では,HTC を単一あるいは複数ラベルの分類問題として扱う多言語フレームワークである階層型動詞化器 (HierVerb) を提案する。 このように、HierVerbはラベル階層の知識を動詞化子に融合させ、グラフエンコーダを通じて階層を注入する者よりも著しく優れています。
  論文  参考訳（メタデータ） (2023-05-26T12:41:49Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Constrained Sequence-to-Tree Generation for Hierarchical Text Classification [10.143177923523407]
  階層的テキスト分類(HTC)は、分類学内で複数の階層的に構造化されたカテゴリに文書を割り当てる難易度の高いタスクである。 本稿では,HTCをシーケンス生成タスクとして定式化し,階層的なラベル構造をモデル化するためのシーケンス・ツー・ツリー・フレームワーク(Seq2Tree)を導入する。
  論文  参考訳（メタデータ） (2022-04-02T08:35:39Z)
• Deep Hierarchical Semantic Segmentation [76.40565872257709]
  階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。 HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。 階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
  論文  参考訳（メタデータ） (2022-03-27T15:47:44Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)

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。