- Java锁的逻辑(结合对象头和ObjectMonitor)
- 还在用饼状图?来瞧瞧这些炫酷的百分比可视化新图形(附代码实现)⛵
- 自动注册实体类到EntityFrameworkCore上下文,并适配ABP及ABPVNext
- 基于Sklearn机器学习代码实战
论文标题:Energy-based Domain Adaption with Active Learning for Emerging Misinformation Detection 论文作者:Kyumin Lee; Guanyi Mou; Scott Sievert 论文来源: 论文地址: download 论文代码:download 。
基于能量的模型(EBM),应该给正确的类 $\breve{y}$ 产生较低的能量:
$\breve{y}=\operatorname{argmin}_{y \in Y} E(x, y) \quad\quad\quad(1)$ 。
本文域适应损失——源域监督损失 + 域对齐损失.
源域监督损失 $L_{s-\text { classification }}$ 如下:
$L_{s-\text { classification }}=E(x, y ; \theta)^{2}+e x p^{(-E(x, \bar{y} ; \theta))} \quad\quad\quad(2)$ 。
其中,$y$ 是真实的类,$\bar{y}$ 是另一个/不正确的类.
域对齐损失 $L_{D-\text { Alignment }}$ 如下:
$L_{D-\text { Alignment }}=\max \left(0, \mathbb{E}_{x \sim \mathcal{D}_{S}} F(x ; \theta)-\mathbb{E}_{x \sim \mathcal{D}_{T}} F(x ; \theta)\right) \quad\quad\quad(3)$ 。
其中,$F(x ; \theta)= -\log \sum\limits _{y \in Y} \exp ^{(-E(x, y ; \theta))}$ .
总损失 如下 :
$L_{D A}=L_{S \text {-classification }}+\lambda * L_{D-\text { Alignment }} \quad\quad\quad(4)$ 。
如 Figure 1 所示,模型经过域自适应训练,就进行主动学习,它基于一定准测从目标域选取一些实列,并取得其真实标签。然后,使用带标记的目标实例来进一步训练我们的模型.
在每一轮中,一旦从目标域得到带有标记的样本,将进一步重新训练模型,然后测量以下损失函数:
$L_{A L}=L_{T \text {-classification }}+\lambda * L_{D-\text { Alignment }} \quad\quad\quad(5)$ 。
$L_{T \text {-classification }}$ 代表了带标记样本的分类损失(选择的)。$L_{D-\text { Alignment }}$ 用于对齐源域和目标域的自由能分布.
Note:本文的主动学习策略为:(i) 随机选择(EDA-randon)和 (ii)基于不确定性的选择(EDA-不确定性).
模型框架图:
数据集 。
实验细节 。
每个数据集分别被拆分为训练集、验证集和测试集,其比例分别为 70%、10% 和 20%。选择其中一个数据集作为目标域数据集,其余两个数据集通过组合在一起作为源域数据集.
实验结果 。
最后此篇关于迁移学习(EDA)《Energy-basedDomainAdaptionwithActiveLearningforEmergingMisinformationDetection》的文章就讲到这里了,如果你想了解更多关于迁移学习(EDA)《Energy-basedDomainAdaptionwithActiveLearningforEmergingMisinformationDetection》的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
论文信息 论文标题:Energy-based Domain Adaption with Active Learning for Emerging Misinformation De
我是一名优秀的程序员,十分优秀!