【论文分享】小样本文本分类方法 EGNN-Proto：Few-Shot Text Classification with Edge-Labeling Graph Network-Based Proto

已于 2022-03-26 15:20:45 修改
阅读量2.4k 收藏 10
点赞数 6
分类专栏： 小样本 GNN 文章标签： 小样本 GNN
于 2022-03-26 13:42:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39328436/article/details/123745654
版权
小样本 同时被 2 个专栏收录
28 篇文章 54 订阅 ¥49.90 ¥99.00
订阅专栏 超级会员免费看
GNN
28 篇文章 11 订阅 ¥49.90 ¥99.00
订阅专栏 超级会员免费看
本文介绍了EGNN-Proto模型，它结合BERT和边标记图神经网络来改善原型网络，提升小样本文本分类任务的性能。EGNN-Proto在ARSC和FewRel数据集上的实验结果显示了其优越性。
摘要由CSDN通过智能技术生成
  • 题目：Few-Shot Text Classification with Edge-Labeling Graph Neural Network-Based Prototypical Network
  • 链接：https://aclanthology.org/2020.coling-main.485.pdf
  • 源码：-
  • 时间：2020.12
  • 会议：COLING （CCF-B）
  • 机构：北京大学
  • 摘要：提出了一个小样本文本分类模型：EGNN-Proto。利用预训练语言模型BERT学习文本嵌入，并通过edge-labeling graph neural network改进了prototypical network，以更好地刻画和利用文本之间的关系，从而在小样本的文本分类任务中获得更好的性能。
  • 其他：这篇文章去掉参考文献，一共就4页，方法也比较简单，但是确实一篇B诶，留下羡慕的眼泪~😭😭

    目录

介绍

动机：

  • 第一：现存的小样本文本分类方法都采用GloVe词嵌入结合CNN或RNN结
了解本专栏 订阅专栏 解锁全文 超级会员免费看
vector<>
关注
  • 6
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
【论文分享】小样本图片分类方法：AwGCN：Few-Shot Learning With Attention-Weighted Graph Convolutional Networks
vector的博客
03-27 1602
用CNN学习节点特征，用CNN+自注意力机制学习边特征（局部自注意机制学习了HSI数据的完整关系图结构），节点标签通过GCN在图上以半监督的方式从支持传播到查询集，适合于小样本学习。
【论文分享】GNN+小样本文本分类方法：Meta-GNN: On Few-shot Node Classification in Graph Meta-learning
vector的博客
03-25 2005
用GNN来实现小样本分类，运用元学习的策略来训练模型。用到的gnn模型是SGC 和 GCN ，没有对gnn模型任何创新性的改造，但是将gnn上的元学习实验过程描述得很清楚，并且提供了各种baseline的代码，对gnn+小样本的实验有参考价值，总体而言比较基础。
Edge-Labeling Graph Neural Network for Few-shot Learning--CVPR2019--论文笔记
mei1318874404的博客
02-20 1886
记录一下自己看的文章，和一些自己的见解。 这次看的文章是《基于边标签图神经网络的少样本学习》 Abstract 在本文之中，我们提出了一个新的基于边标签的图神经网络（EGNN），适用于一些少样本学习（few-shot learning），以往的图卷积神经网络只是基于节点标签的框架，然而提出的EGNN通过利用类内的相似性和类间的不相似行不断地更新迭代，不仅仅只是学习预测节点标签，而且会预测变得标签。...
笔记：Few-Shot Learning小样本分类问题 + 孪生网络 + 预训练与微调
最新发布
Yophan的博客
07-17 1544
Few-Shot Learning小样本分类问题 + 孪生网络 + 预训练与微调
小样本做文本分类：超干货解读，看完别说你还不懂胶囊网络
KuAI_KST的博客
05-28 1546
The pooling operation used in convolutional neural networks is a big mistake and the fact that it works so well is a disaster. ——Hinton 先引用深度学习三巨头之一Geoffrey Hinton（杰弗里·辛顿）的名人名言作为开端. CNN是现在十分火热的模型，首先我们都知道，通过pooling层能够学到部分高阶特征，比如对于人脸而言可以激活识别到鼻子 ，嘴巴 ，眼睛等。 大.
【论文笔记1】小样本分类
XingshiXu
07-24 1072
小样本学习论文笔记
小样本文本分类任务(多标签分类)
weixin_43881931的博客
04-17 1132
小样本文本多标签分类
小样本学习之半监督的小样本分类
逸乡
03-13 1万+
本次介绍的论文： 2018 - ICLR - 《Meta-Learning for Semi-Supervised Few-ShotClassification》 在上篇博客中介绍了原型网络，一种基于度量的小样本分类方法，核心思想便是在一个嵌入空间中将所有同类的样本拉到较近的位置，然后通过距离度量的方式来判断一个样本x属于哪一个类。对于原型网络，这是一个监督学习，即训练数据全都是有标签的数据。...
小样本学习（few-shot learning）之——原形网络（Prototypical Networks）
m0_38031488的博客
12-27 4万+
Prototypical Networks for Few-shot Learning 摘要：该文提出了一种可以用于few-shot learning的原形网络（prototypical networks）。该网络能识别出在训练过程中从未见过的新的类别，并且对于每个类别只需要很少的样例数据。原形网络将每个类别中的样例数据映射到一个空间当中，并且提取他们的“均值”来表示为该类的原形（prototy...
基于小样本学习的图像分类技术综述
06-13
图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述。
xcb-proto-1.7.1.tar.bz2
12-20
libX11的一个支持包，具体用法见《交叉编译libX11》http://write.blog.csdn.net/postedit/42028985
RuntimeError:Internal: src/sentencepiece_processor.cc(1101)model_proto-＞ParseFromArray(serialize解决方案
热门推荐
weixin_43178406的博客
04-25 9万+
本文主要介绍了RuntimeError: Internal: src/sentencepiece_processor.cc(1101) [model_proto->ParseFromArray(serialized.data(), serialized.size())]解决方案，希望对同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
搭建少样本生成框架 few-shot-learning（一）
weixin_40708589的博客
06-17 1759
github参考地址：https://github.com/oscarknagg/few-shot#tests-optional 前提基础环境：python 3.7 + windows10 +GPU +cuda 10.0（没有GPU只有cpu 也可以参考安装） 1.下载网络构架包 github参考地址：https://github.com/oscarknagg/few-shot#tests-op...
2022 CCF BDCI 小样本数据分类任务Baseline
m0_63642362的博客
09-13 1907
2022 CCF BDCI 小样本数据分类任务-Baseline，基线得分0.5005
小数据、高准确率的文本分类：利用迁移学习创造通用语言模型
weixin_33782386的博客
06-08 390
作者 | Jeremy Howard、Sebastian Ruder译者 | Liu Zhiyong编辑 | Natalie，VincentAI 前线导读：本文是对 Fast.ai 新论文的介绍，面向大众读者，阐述了如何自动对文档进行分类，同时比以前的方法具有更高的准确率，以及更少的数据需求。本文将用简单的术语来解释：自然语言处理、文本分类、迁移学习、语言建模；以及这个新的方法是如何将这些想法结合...
小样本学习-小样本分类：KNN+Faiss【Metric Based 方法：通过度量测试集中的样本和support集中样本的距离，借助最近邻的思想完成分类】
u013250861的博客
03-24 852
Model Based 方法旨在通过模型结构的设计快速在少量样本上更新参数，直接建立输入 x 和预测值 P 的映射函数；Santoro 等人 [5] 提出使用记忆增强的方法来解决 Few-shot Learning 任务。基于记忆的神经网络方法早在 2001 年被证明可以用于 meta-learning。他们通过权重更新来调节 bias，并且通过学习将表达快速缓存到记忆中来调节输出。然而，利用循环神经网络的内部记忆单元无法扩展到需要对大量新信息进行编码的新任务上。
Could not find kotlin-gradle-plugin-idea-proto-1.7.20.jar (org.jetbrains.kotlin:kotlin-gradle-plugin-idea-proto:1.7.20).
04-25
这似乎是一个Gradle构建时的错误消息。它表明Gradle无法找到名为"kotlin-gradle-plugin-idea-proto-1.7.20.jar"的文件，该文件属于groupId为"org.jetbrains.kotlin"，artifactId为"kotlin-gradle-plugin-idea-proto"，版本为"1.7.20"的库。可能是因为这个库还没有被下载或者路径设置不正确。你可以使用Gradle或者Maven来下载这个库。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

vector<>

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值