Clasificación de texto con pocos ejemplos
La clasificación de texto con pocos ejemplos asigna documentos a clases utilizando solo un puñado de ejemplos etiquetados por clase. Basándose en los avances de Gao et al. (2021) y el enfoque SetFit sin indicaciones (prompt-free) de Tunstall et al. (2022), se apoya en redes prototípicas, MAML o el ajuste fino (fine-tuning) de un modelo preentrenado grande para aprender de etiquetas escasas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/es/text-mining/few-shot-text-classification
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- BERT EmbeddingsMinería de texto↔ comparar
- Adaptación de DominioMinería de texto↔ comparar
- Análisis de SentimientoMinería de texto↔ comparar
- Clasificación de TextoMinería de texto↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →