Core Concepts
다양한 지식 소스로부터 협력적으로 검증된 지식을 주입하고, 파라미터 효율적인 학습 기법과 단계적 최적화 알고리즘을 통해 저자원 입장 탐지 과제를 해결한다.
Abstract
이 논문은 저자원 입장 탐지 과제를 해결하기 위한 새로운 방법론을 제안한다.
첫째, 협력적 지식 정렬 모듈은 다양한 지식 소스로부터 목표와 관련된 의미적으로 유사한 지식을 선별하여 주입한다. 이를 통해 단일 지식 소스에 의존하는 기존 방식의 한계를 극복한다.
둘째, 파라미터 효율적 학습 모듈은 협력적 어댑터와 지식 증강 기법을 도입하여 저자원 환경에서도 효과적으로 모델을 학습시킨다. 협력적 어댑터는 대규모 언어 모델의 파라미터를 고정한 채 적은 수의 파라미터만을 학습함으로써 데이터 의존성을 낮춘다.
셋째, 단계적 최적화 알고리즘은 레이블 스무딩과 가중치 손실 함수를 순차적으로 적용하여 저자원 및 불균형 데이터 환경에서의 모델 성능을 향상시킨다.
이러한 세 가지 핵심 모듈이 협력적으로 작용하여 저자원 입장 탐지 과제에서 우수한 성능을 달성한다.
Stats
"저자원 입장 탐지 데이터셋 VAST는 평균 2.4개의 예제만을 가지고 있다."
"PStance 데이터셋은 3개의 목표, COVID-19-Stance 데이터셋은 4개의 목표를 포함한다."
Quotes
"단일 지식 소스에 의존하는 기존 방식은 목표와 관련된 지식을 충분히 포괄하지 못하는 한계가 있다."
"협력적 어댑터는 대규모 언어 모델의 파라미터를 고정한 채 적은 수의 파라미터만을 학습함으로써 데이터 의존성을 낮춘다."
"레이블 스무딩과 가중치 손실 함수를 순차적으로 적용하여 저자원 및 불균형 데이터 환경에서의 모델 성능을 향상시킨다."