Verbesserung der Erklärungsplausibilität von Textklassifizierungsmodellen durch Einbeziehung menschlicher Begründungen
Durch den Einsatz einer neuartigen kontrastiven Verlustfunktion, die menschliche Begründungen in den Lernprozess einbezieht, können die Erklärungen von Textklassifizierungsmodellen deutlich verbessert werden, ohne ihre Leistung wesentlich zu beeinträchtigen.
Verbesserung der Textaugmentierung durch ein hybrides Instanzfilterungsframework
Ein hybrides Instanzfilterungsframework (BO O S TAU G) basierend auf vortrainierten Sprachmodellen kann die Leistung bestehender Textaugmentierungsmethoden signifikant verbessern, indem es den Featureraum-Shift der generierten Augmentierungsinstanzen reduziert.
Effiziente Textdatensatzdestillation durch Generierung informativer synthetischer Proben
DiLM destilliert einen Textdatensatz in ein Sprachmodell, um informative synthetische Trainingsdaten zu generieren, die für das Training verschiedener Modelle unabhängig von deren Worteinbettungsgewichten verwendet werden können.
Vergleich von Sprachmodellen für die Textklassifizierung: Ist kontextbasiertes Lernen ausreichend?
Große Sprachmodelle zeigen zwar Spitzenleistungen in Nullschuss- und Wenig-Schuss-Einstellungen, aber kleinere, feiner abgestimmte Sprachmodelle können sie bei der Textklassifizierung immer noch übertreffen.
Effiziente Anpassung von Sprach-Großmodellen für wenige Trainingsbeispiele durch semantisch angereicherte Aufmerksamkeitsnetze
CrossTune ist ein neuer Ansatz zur effizienten Anpassung von Sprach-Großmodellen für Textklassifizierungsaufgaben mit wenigen Trainingsbeispielen. CrossTune nutzt die semantischen Informationen der Klassenbeschreibungen, um die Aufmerksamkeit des Modells auf relevante Aspekte des Eingabetextes zu lenken, ohne aufwendige Prompt-Suche durchführen zu müssen.
Explainable Active Learning: Verbesserung von Klassifizierern für Lernen mit geringen Ressourcen
Das vorgeschlagene Explainable Active Learning (XAL) Framework ermutigt Klassifizierer, ihre Schlussfolgerungen zu rechtfertigen und unerklärbare Daten zu erkunden, um die Leistung in Textklassifizierungsaufgaben mit geringen Ressourcen zu verbessern.
Einflussanalyse als Feedback zur Verbesserung der Leistung bei subjektiven Aufgaben
Einflussanalyse kann als Feedback verwendet werden, um die Leistung von Textklassifizierungsmodellen für subjektive Aufgaben wie Hassrede-Erkennung, Standpunktklassifizierung, Ironie- und Sarkasmuserkennung zu verbessern.
Effiziente Text-Label-Übereinstimmung für Extreme Multi-Label-Textklassifizierung
Effiziente Text-Label-Übereinstimmung für Extreme Multi-Label-Textklassifizierung durch MatchXML.
Analyse von Mehrstufiger Produktkategorievorhersage durch Textklassifizierung
Anwendung von LSTM und BERT in der Textklassifizierung für präzise Produktkategorisierung im Einzelhandel.
© 2024 by Linnk AI