摘要
虚拟对抗训练（Virtual Adversarial Training, VAT）是一种在监督学习和半监督学习设置下提升模型鲁棒性的强大技术，具有良好的有效性，并可广泛应用于多种图像分类与文本分类任务。然而，其在序列标注任务（如命名实体识别，NER）中的优势尚未得到充分展现，主要原因在于以往方法难以将VAT与条件随机场（Conditional Random Field, CRF）相结合。CRF通过施加标签转移约束，显著提升序列模型的准确率，因此已成为绝大多数先进序列标注模型架构中的核心组件。本文提出SeqVAT，一种可自然地将VAT应用于带有CRF的序列标注模型的方法。实验结果表明，SeqVAT在监督学习设置下显著优于基线模型，在半监督学习设置下也超越了当前最先进的方法。