Few-Shot Tekstclassificatie
Few-shot tekstclassificatie wijst documenten toe aan klassen met slechts een handvol gelabelde voorbeelden per klasse. Voortbouwend op de vooruitgang van Gao et al. (2021) en de prompt-vrije SetFit-aanpak van Tunstall et al. (2022), leunt het op prototypische netwerken, MAML, of fine-tuning van een groot vooraf getraind model om te leren van schaarse labels.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/nl/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-inbeddingenText mining↔ compare
- DomeinadaptatieText mining↔ compare
- SentimentanalyseText mining↔ compare
- TekstclassificatieText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →