Core Concepts
지역 계층을 활용한 적대적 훈련은 계층적 텍스트 분류 모델의 성능을 향상시키고 복잡한 계층 구조를 다루는 데 효과적입니다.
Abstract
Hierarchical text classification (HTC)은 복잡한 세금 구조로 인해 다중 레이블 분류의 어려운 하위 작업입니다.
최근 HTC 작업은 대부분 레이블 구조를 그래프 인코더로 모델링하며, 전역 계층에 초점을 맞춥니다.
이러한 방법들은 전역 계층에 초점을 맞추지만 각 입력 텍스트에 해당하는 하위 그래프를 무시합니다.
지역 계층은 텍스트 인코더에 계층적 지식을 직접 주입하기 위해 대조적 학습을 채택합니다.
적대적 훈련 프레임워크는 제너레이터와 인코더가 함께 사용되며, 로컬 계층을 포함한 오라클 표현을 생성합니다.
실험 결과, HiAdv는 복잡한 계층 구조를 다루는 데 효과적이며, 희귀 클래스에 대한 성능 향상을 보여줍니다.
Stats
로컬 계층을 활용한 적대적 프레임워크
계층적 텍스트 분류 모델
세금 구조
레이블 계층
텍스트 인코더
Quotes
"우리의 프레임워크는 복잡한 계층 구조를 다루는 데 효과적입니다."
"희귀 클래스에 대한 성능 향상을 보여줍니다."