A Dynamic Masking-Based Multi-Learning Framework for Sparse Classification

doi:10.32604/cmc.2025.069949

A Dynamic Masking-Based Multi-Learning Framework for Sparse Classification

2026-01-01

0

PRE

AI

DOI：10.32604/cmc.2025.069949

原文链接

原文求助

摘要

En 中文

随着数据量和多样性的近期增加，传统文本表示技术难以捕捉上下文，特别是在数据稀疏的环境中。为应对这些挑战，本研究提出了一种新的模型——掩码联合表示模型（MJRM）。MJRM通过利用有限上下文中的多个元素来近似原始假设，并通过三个主要组件根据数据分布动态适应特征变化。首先，基于掩码的表示学习，即选择性动态掩码，整合主题建模和情感聚类，在不同数据子集上生成和训练多个实例，其预测结果随后通过优化权重进行聚合。此设计缓解了稀疏性，抑制了噪声，并保留了上下文结构。其次，应用基于正则化的改进。第三，采用处理稀疏数据的技术进行最终推理。结果，MJRM相较于现有AI技术性能提升高达4%。在实验中，我们分析了各因素的贡献，表明掩码、动态学习和多实例聚合相互补充以提升性能。这表明基于掩码的多学习策略对上下文感知的稀疏文本分类有效，即使在数据短缺或数据分布变化等挑战性情况下也具有实用性。我们预期该方法可扩展应用于情感分析、垃圾邮件过滤和领域特定文档分类等多样化领域。

Keyword:

Text classification

dynamic learning

contextual features

data sparsity

masking-based representation

A Dynamic Masking-Based Multi-Learning Framework for Sparse Classification

摘要

期刊

机构

引用论文