论文信息

论文标题：Energy-based Domain Adaption with Active Learning for Emerging Misinformation Detection
论文作者：Kyumin Lee; Guanyi Mou; Scott Sievert
论文来源：
论文地址：download 
论文代码：download

1 介绍

　　基于能量的模型（EBM），应该给正确的类 $reve{y}$ 产生较低的能量：

　　　　$reve{y}=operatorname{argmin}_{y in Y} E(x, y) quadquadquad(1)$

　　本文域适应损失——源域监督损失 + 域对齐损失。

　　源域监督损失 $L_{s- ext { classification }}$ 如下：

　　　　$L_{s- ext { classification }}=E(x, y ; heta)^{2}+e x p^{(-E(x, ar{y} ; heta))}  quadquadquad(2)$

　　其中，$y$ 是真实的类，$ar{y}$ 是另一个/不正确的类。

　　域对齐损失 $L_{D- ext { Alignment }}$ 如下：

　　　　$L_{D- ext { Alignment }}=max left(0, mathbb{E}_{x sim mathcal{D}_{S}} F(x ; heta)-mathbb{E}_{x sim mathcal{D}_{T}} F(x ; heta) ight) quadquadquad(3)$

　　其中，$F(x ; heta)= -log sumlimits _{y in Y} exp ^{(-E(x, y ; heta))}$ 。

　　总损失如下：

　　　　$L_{D A}=L_{S ext {-classification }}+lambda * L_{D- ext { Alignment }} quadquadquad(4)$

　　如 Figure 1 所示，模型经过域自适应训练，就进行主动学习，它基于一定准测从目标域选取一些实列，并取得其真实标签。然后，使用带标记的目标实例来进一步训练我们的模型。

　　在每一轮中，一旦从目标域得到带有标记的样本，将进一步重新训练模型，然后测量以下损失函数：

　　　　$L_{A L}=L_{T ext {-classification }}+lambda * L_{D- ext { Alignment }} quadquadquad(5)$

　　$L_{T ext {-classification }}$ 代表了带标记样本的分类损失（选择的）。$L_{D- ext { Alignment }}$ 用于对齐源域和目标域的自由能分布。

　　Note：本文的主动学习策略为：(i) 随机选择（EDA-randon）和 （ii）基于不确定性的选择（EDA-不确定性）。

　　模型框架图：

2 实验

数据集

实验细节

　　每个数据集分别被拆分为训练集、验证集和测试集，其比例分别为 70%、10% 和 20%。选择其中一个数据集作为目标域数据集，其余两个数据集通过组合在一起作为源域数据集。

实验结果