Regularization-based semi-supervised generative adversarial learning for text classification with limited supervision

doi:10.1016/j.engappai.2026.115356

Regularization-based semi-supervised generative adversarial learning for text classification with limited supervision

2026-06-16

0

PRE

AI

DOI：10.1016/j.engappai.2026.115356

原文链接

原文求助

摘要

En 中文

文本分类是自然语言处理（NLP）中的一个基础性任务，适用于任何文本自动归档场景。针对低监督文本分类，近期研究引入了半监督生成对抗网络（SS-GANs）以增强BERT编码器的表示能力。然而，这些方法仍受限于单编码器结构难以获取多种不同的特征表示，从而限制了模型的类别信息学习能力。为解决这些问题，我们提出了一种基于正则化的半监督生成对抗学习框架，即Re-SSGAN。该框架采用一种新颖的正则化生成对抗学习范式，通过利用编码器的多输出表示与来自潜在表示生成器的单输出表示实现交互式对抗学习。此范式设计利用深度神经网络中的随机丢弃机制获取同一样本的多种不同特征表示，从而实现特征增强。此外，我们设计了一个基于融合的对抗约束模块，通过池化和期望操作捕获多种特征表示，以约束潜在表示生成器生成更高质量的对抗样本表示。同时，我们还设计了交叉对比损失函数，通过最小化双向Kullback-Leibler（KL）散度与交叉熵损失的组合，确保正确分类并使同一样本的多输出表示趋于一致。我们在六个文本数据集上进行了半监督分类实验，结果表明Re-SSGAN的有效性。值得注意的是，当标注文本极为稀缺时，Re-SSGAN在分类性能上取得了更显著的提升。

Regularization-based semi-supervised generative adversarial learning for text classification with limited supervision

摘要

期刊

机构

引用论文