Classificazione di testi con pochi esempi
La classificazione di testi con pochi esempi (few-shot text classification) assegna documenti a classi utilizzando solo una manciata di esempi etichettati per classe. Basandosi sui progressi di Gao et al. (2021) e sull'approccio SetFit senza prompt di Tunstall et al. (2022), si avvale di reti prototipali, MAML o del fine-tuning di un grande modello pre-addestrato per apprendere da etichette scarse.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/it/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 EmbeddingsText mining↔ compare
- Domain AdaptationText mining↔ compare
- Analisi del SentimentoText mining↔ compare
- Classificazione del testoText mining↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →