เปรียบเทียบวิธี

	การจำแนกข้อความแบบ Few-Shot	การปรับตัวตามโดเมน
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	—	—
ผู้ริเริ่ม	—	—
ประเภท	NLP text-classification task (low-resource)	NLP transfer-learning / fine-tuning pipeline
แหล่งต้นตำรับ	Gao, T., Fisch, A. & Chen, D. (2021). Making Pre-trained Language Models Better Few-shot Learners. ACL.	Lee, J. et al. (2020). BioBERT: A Pre-trained Biomedical Language Representation Model. Bioinformatics.
ชื่อเรียกอื่น	few-shot learning for text, Az Atışlı Metin Sınıflandırma (Few-Shot)	Alan Uyarlaması (Domain Adaptation) — NLP, domain adaptation NLP, domain fine-tuning
ที่เกี่ยวข้อง	4	4
สรุป	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.	Domain adaptation is a natural-language-processing technique that takes a general pretrained language model and fine-tunes it on target-domain data so that it performs better in specialised fields such as medicine, law, and finance. It builds on the transfer-learning ideas behind work like Blitzer et al. (2007) on cross-domain sentiment classification and Lee et al. (2020) on the biomedical BioBERT model.