Az Örnekli Metin Sınıflandırması
Few-Shot Text Classification · Ayrıca şöyle bilinir: few-shot learning for text, Az Atışlı Metin Sınıflandırma (Few-Shot)
Az örnekli metin sınıflandırması, belgeleri her sınıftan yalnızca birkaç etiketli örnek kullanarak sınıflara atar. Gao ve ark. (2021) tarafından yapılan ilerlemeler ve Tunstall ve ark. (2022) tarafından sunulan yönlendirmesiz SetFit yaklaşımı üzerine inşa edilen bu yöntem, az sayıda etiketten öğrenmek için prototip ağlarına, MAML'ye veya büyük bir ön-eğitimli modelin ince ayarlanmasına dayanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlemenin pahalı olduğu ve her sınıftan yalnızca birkaç etiketli örneğin bulunduğu, ancak sınıflandırılacak metninizin olduğu durumlarda az örnekli metin sınıflandırmasını kullanın. Her sınıf için en az bir örneğin var olduğunu varsayar ve büyük bir ön-eğitimli modelin eksik bilgiyi sağlayabilmesi durumunda en iyi şekilde çalışır. Bol etiketli veriniz varsa, sıradan bir denetimli metin sınıflandırıcı daha basit bir seçenektir.
Güçlü yönler & sınırlılıklar
- Geleneksel denetimli sınıflandırıcıların başarısız olduğu çok az etiketli örnekten -sınıf başına bir tane kadar az- öğrenir.
- Büyük bir ön-eğitimli modelin içindeki geniş dil bilgisini yeniden kullanır, bu nedenle az miktarda göreve özgü veri gerekir.
- Stratejiler arasında esneklik: prototip ağları, MAML veya hafif ince ayar hepsi aynı işlem hattına uyar.
- Her sınıf için en az bir etiketli örnek gerektirir; tamamen görülmemiş sınıflar tahmin edilemez.
- Kalite büyük ölçüde ön-eğitimli omurgaya bağlıdır - zayıf veya uyumsuz bir model performansı sınırlar.
- Aşırı az örnekle, tahminler kararsız olabilir ve seçilen örneklere duyarlı olabilir.
SSS
Her sınıftan kaç örnek gerçekten gerekiyor?
Her sınıf için en az bir etiketli örnek gereklidir ve yöntem her sınıftan yalnızca birkaç tane ile çalışacak şekilde tasarlanmıştır. Ne kadar az sağlarsanız, ön-eğitimli omurganın ön bilgisine o kadar fazla dayanır.
Hangi az örnekli stratejiyi kullanmalıyım?
Prototip ağları az sayıdaki örnekten her sınıf için bir prototip oluşturur ve en yakın prototipe göre sınıflandırır; MAML, yeni görevlere hızla uyum sağlayan parametreleri meta-öğrenir; ince ayar, ön-eğitimli bir modeli küçük küme üzerinde hafifçe günceller. Her üçü de aynı işlem hattına uyar; yönlendirmesiz SetFit tarzı ince ayar pratik bir varsayılan değerdir.
Ön-eğitimli model neden bu kadar önemli?
Yalnızca birkaç etiketli örnekle, bilginin çoğu başka bir yerden gelmek zorundadır. Büyük bir ön-eğitimli model geniş dil anlayışı sağlar, bu nedenle daha güçlü bir omurga genellikle daha iyi az örnekli sonuçlar verir.
Normal bir denetimli sınıflandırıcıyı ne zaman tercih etmeliyim?
Bol etiketli veriniz olduğunda. Az etiketli rejim için az örnekli yöntemler mevcuttur; büyük, dengeli bir etiketli küme ile standart bir denetimli metin sınıflandırıcı daha basittir ve genellikle daha güçlüdür.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/tr/text-mining/few-shot-text-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- BERT Gömme VektörleriMetin madenciliği↔ karşılaştır
- Alan UyarlamasıMetin madenciliği↔ karşılaştır
- Duygu AnaliziMetin madenciliği↔ karşılaştır
- Metin SınıflandırmasıMetin madenciliği↔ karşılaştır