Klasifikācija ar mazlietotiem paraugiem (Few-Shot Text Classification)
Klasifikācija ar mazlietotiem paraugiem piešķir dokumentiem klases, izmantojot tikai nelielu skaitu iezīmētu piemēru katrai klasei. Balstoties uz Gao et al. (2021) sasniegumiem un Tunstall et al. (2022) pieejas SetFit bez uzvednes (prompt-free) izmantošanu, tā paļaujas uz prototipiskajiem tīkliem, MAML vai liela iepriekš apmācīta modeļa pārslēgšanu (fine-tuning), lai mācītos no niecīga skaita iezīmju.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/lv/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 EmbeddingsTeksta ieguve↔ compare
- Domenes adaptācijaTeksta ieguve↔ compare
- Sentimentu analīzeTeksta ieguve↔ compare
- Tekstu klasifikācijaTeksta ieguve↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →