Zero-Shot Classification
Zero-shot classification is a natural-language-processing task that assigns text to categories described in plain language without requiring any labelled training data. Formalised as an entailment problem by Yin, Hay and Roth (2019), it lets a large pretrained language model recognise new categories on the fly simply by naming them, enabling rapid adaptation to fresh label sets.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Yin, W., Hay, J. & Roth, D. (2019). Benchmarking Zero-shot Text Classification: Datasets, Evaluation and Entailment Approach. EMNLP, 3914-3923. · DOI 10.18653/v1/D19-1404
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. NeurIPS. · URL
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.