Few-Shot Text Classification
Few-Shot-Textklassifizierung weist Dokumente Klassen zu, indem nur eine Handvoll gelabelter Beispiele pro Klasse verwendet wird. Aufbauend auf Fortschritten von Gao et al. (2021) und dem promptfreien SetFit-Ansatz von Tunstall et al. (2022) stützt sie sich auf prototypische Netzwerke, MAML oder das Fine-Tuning eines großen vortrainierten Modells, um aus knappen Labels zu lernen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Gao, T., Fisch, A. & Chen, D. (2021). Making Pre-trained Language Models Better Few-shot Learners. ACL. DOI: 10.18653/v1/2021.acl-long.295 ↗
- Tunstall, L., Reimers, N., Jo, U.E.S., Bates, L., Korat, D., Wasserblat, M. & Pereg, O. (2022). Efficient Few-Shot Learning Without Prompts. arXiv. DOI: 10.48550/arXiv.2209.11055 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/de/text-mining/few-shot-text-classification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-EinbettungenText Mining↔ compare
- DomänenanpassungText Mining↔ compare
- Sentiment-AnalyseText Mining↔ compare
- TextklassifizierungText Mining↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →