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.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
- 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
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
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.