Muutaman esimerkin tekstiluokittelu
Muutaman esimerkin tekstiluokittelu (few-shot text classification) luokittelee dokumentteja käyttäen vain kourallisen merkittyjä esimerkkejä luokkaa kohden. Se hyödyntää Gao et al. (2021) kehitystyötä ja Tunstall et al. (2022) promptittomaan SetFit-lähestymistapaan perustuen prototyyppiverkkoja, MAML:ia tai suuren esikoulutetun mallin hienosäätöä oppiakseen niukoista merkinnöistä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/fi/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-upotukset – kontekstisidonnaiset tekstiesityksetTekstinlouhinta↔ compare
- Verkkotunnuksen mukauttaminen – NLPTekstinlouhinta↔ compare
- Sentiment AnalysisTekstinlouhinta↔ compare
- TekstinluokitteluTekstinlouhinta↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →