.png){kind=icon}
返回
Modular Model Adaptation for Online Learning in Streaming Text Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3651427.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流数据的动态特性通常会引入分布偏移，从而对典型的文本分类模型构成挑战。本文提出了一种适用于分布偏移下流式文本分类的在线学习框架。首先，我们将基于神经网络的文本分类模型分解为不同的模块，并分析在不同类型的偏移下更新这些模块的差异化影响。基于此见解，我们定义了三种新颖的指标，以在不评估整个模型的情况下高效测量分布偏移的程度。这些指标能够支持开发预测模型，动态优化模块更新策略，实时平衡学习效率与准确性。据我们所知，这是首次系统性地根据效率与准确性的权衡来调整模型更新的方法，应用于在线文本分类。在真实流数据集上的大量实验表明，我们的方法有效，始终优于静态更新策略及当前最优的在线文本分类模型。
Keyword:
Distribution shifts
efficiency-accuracy trade-off
modular adaptation
online learning
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
暂无论文信息