https://arxiv.org/pdf/2003.11563.pdf

 

1.常见NLP数据增强+BERT在失衡数据上的表现

任务为2分类。正负样本比例为28% vs. 72%（这里以正/负指代文中的propaganda/non-propaganda）。

BERT模型采用BERT_base，增加全连接层，用于对句子编码分类。

常见NLP数据增强方法详见https://arxiv.org/pdf/1901.11196.pdf

评估结果如下：

用同一份数据集中75%训练，25%测试时（即在相似的数据上验证），没有数据增强的BERT性能最佳。

可能是因为有上下文的word embedding并不能从数据增强中受益。

在不相似的数据上验证时，同义词插入和词去除也没有带来性能增益（甚至更差），而上采样比无数据增强的性能高4%。同义词插入和词去除性能差可能是因为引入了噪声，上采样没有。因而，上采样带来一些泛化能力。

进一步的实验显示：

上采样提升了正类的召回率和副样本的精确率，损失了正类的精确率和副样本的召回率。

其中正类召回率提升和副样本召回率损失都比较显著。

2.BERT + cost-sensitive loss

cost-sensitive分类是上采样的一种替代方法，后者难免会对不同的样本厚此薄彼，前者则提供了更稳定、连续的样本权重。

cost-sensitive loss的原理：

加权交叉熵，参见pytorch文档（https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html）

效果评估：

在一定范围内，随着少数类的权重增长，验证集上的f1-score随之增长。超出范围后，验证集上的f1-score趋平。

说明，结合合适的权重，cost-sensitive loss能够提升泛化能力。