التعلم من اختلاف المعلقين عبر تحسين تجميع الأوزان لتصنيف النصوص الذاتية

الملخص تعاني مهام تصنيف النصوص الذاتية، مثل كشف الاعتداء وتحليل الموقف، غالبًا من مستويات عالية من اختلاف المعلقين. عادةً ما تقوم الأساليب التقليدية بتقليص هذه الاختلافات إلى حقيقة واحدة، مما يؤدي إلى تجاهل إشارات الإشراف القيمة. نقترح MO-WEL (التعلم المؤتلف المدعوم بأهداف متعددة)، وهو إطار عمل مبتكر يستفيد بشكل صريح من اختلاف المعلقين من خلال تحسين أوزان وحجم التجميع بشكل مشترك تحت عدة أهداف. يتم تدريب المرشحين المحتملين على إسقاطات ملصقات متنوعة تم الحصول عليها من خلال أخذ عينات عشوائية أو الاختيار المحدد للمعلقين، ويتم تحسين أوزان التجميع بالنسبة لثلاث خسائر تكاملية: درجة F1، والتقاطع الانتروبي، ومسافة مانهاتن، جنبًا إلى جنب مع عبارة تنظيمية. تظهر التجارب على أربعة مجموعات بيانات مرجعية (ConvAbuse، HS-Brexit، MD-Agreement وArMIS) أن MO-WEL يتفوق باستمرار على الأساسيات القوية في الدقة، والمعايرة، والتوافق التوزيعي. توضح دراسة حالة إضافية أن MO-WEL تنتج توقعات توازن بين صحة الأغلبية ووجهات نظر الأقلية من المعلقين، مما يؤدي إلى مخرجات قابلة للتفسير وموثوقة. تسلط نتائجنا الضوء على أهمية نمذجة تنوع المعلقين وتقترح تحسين التجميع كوسيلة مبدئية لدمج الاختلاف في مهام معالجة اللغة الطبيعية الذاتية.