Rekod bukti kaedah
Few-Shot Text Classification
Few-shot text classification assigns documents to classes using only a handful of labelled examples per class. Building on advances by Gao et al. (2021) and the prompt-free SetFit approach of Tunstall et al. (2022), it leans on prototypical networks, MAML, or fine-tuning of a large pretrained model to learn from scarce labels.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
Few-Shot Text Classification
Rekod kaedah taksonomik · process-pipeline / text-mining
- 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
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
Tiada tuntutan terkurasi lagi
Pandangan ini tidak mencipta penilaian tuntutan apabila lejar tiada.
Kaedah berkaitan
Dijana daripada graf kaedah dan ditunjukkan sebagai perhubungan yang dicadangkan mesin — tiada tuntutan bukti disimpulkan.