시간적 유도 전이를 통한 개념 변화 해결

기계 학습은 텍스트 분류의 기초입니다. 그러나 가장 성공적인 기법조차도 강한 시간 변화 성분이 있는 많은 실제 응용 프로그램에서 패배합니다. 이 도전적이지만 중요한 문제에 대한 연구를 발전시키기 위해 우리는 Reuters RCV1과 같은 대규모 시간 기반 데이터셋에 적용할 수 있는 자연 실험 프레임워크인 일일 분류 작업을 제안합니다. 본 논문에서는 개념 변화를 세 가지 주요 하위 유형으로 분해합니다. 우리는 novel visualization을 통해 RCV1에 반복 있는 주제 하위 유형이 존재한다는 것을 보여줍니다. 이러한 이해는 미래의 분류기 학습 작업에 혜택을 주기 위해 유도된 지식을 시간에 따라 전이하는 새로운 학습 모델을 개발하는 것으로 이어졌습니다. 이 방법은 기존의 유도 전이 작업에서 두 가지 주요 문제인 확장성과 부정적 전이의 위험을 피합니다. 실험적 테스트에서는 테스트된 네 개의 Reuters 카테고리 각각에 대해 10 포인트 이상의 F-측정 개선을 일관되게 보여주었습니다.