- 是一种弱标注的训练数据。伪数据虽然有标签,但标签的构造不曾面向所研究的任务进行人工标注,且这种标签不精确,而是样本的近似答案(伪)。
- 获取伪数据主要有三种方法:移植、采集和制造。
- 移植伪数据:
- 可以分为跨语言、跨领域和跨任务三种类型
- 跨语言:世界上超过7000种语言,绝大部分没有人工标注数据。主要方法:(1)跨语言预训练语言模型(2)将在资源丰富的源语言(如英语)上训练的模型,直接应用于资源匮乏的目标语言。
- 采集伪数据:数据“天然”存在目标任务的标注结果时,可以应用伪数据的采集方法。此时样本就是真实的样本,但获得的标签与真实标签近似。采集可以用来处理如命名实体、词义向量、信息抽取、情感分析等任务。
- 制造伪数据(数据增广):
- 即对样本进行编辑操作形成伪数据,编辑的方式主要包括增加、删除、修改。在这种情况下,样本近似于真实样本,但标签与真实标签一致。
- 如顺滑:删除语音识别结果中不通顺的词语
- 随机增删改原句中的词,构成非顺滑数据
- 两个预训练任务:
- 预测增删改的词
- 判断哪个句子是原句
- 移植伪数据:
- NLP中的数据增广方法分为三种:复述、加噪和采样。
- 复述:
- 增广数据保持原有语义
- 常用的方法包括
- 基于同义词词典;
- 基于词嵌入;
- 基于语言模型;
- 基于规则;
- 基于回译;
- 基于生成等。
- 加躁:加入离散或连续噪声的增广方法:swapping,删除,插入,替换,混合。
- 采样:
- 与复述方法的异同:
- 相同:使用的方法相似
- 不同:
- 不需要保持语义不变
- 采样的方法往往和任务相关
- 标签可进行相应的变换
- 与复述方法的异同:
- 复述:
- 增广数据的实际应用策略有很多,例如对多种增广方法进行叠加,对增广数据质量进行控制(过滤、加权等),高质量增广数据直接与原训练数据混合,较低质量增广数据用作预训练数据等等。
伪数据--学习笔记
最新推荐文章于 2024-07-15 23:46:30 发布