基于主动学习的文本分类主动少样本学习
计算与语言
2025-02-27 v1
摘要
大型语言模型 (LLM) 的兴起提升了自然语言处理中少样本学习 (Few-Shot Learning, FSL) 方法的应用，即使在有限训练数据的情况下也能实现可接受的性能。FSL 的目标是在学习过程中有效利用少量标记样本。然而，FSL 的性能会因所选取的不合适支持样本而受到影响。这种问题源于对有限支持样本的重大依赖，使得即使添加更多支持样本也难以实现持续的性能提升。为解决此挑战，我们提出一种基于主动学习的实例选择机制，从未标记的样本库中识别有效支持实例，并可与不同 LLM 配合使用。我们在五个任务上的实验表明，我们的方法经常会提高 FSL 的性能。我们将我们的实现在 GitHub 上公开。
引用
@article{arxiv.2502.18782,
title = {Active Few-Shot Learning for Text Classification},
author = {Saeed Ahmadnia and Arash Yousefi Jordehi and Mahsa Hosseini Khasheh Heyran and Seyed Abolghasem Mirroshandel and Owen Rambow and Cornelia Caragea},
journal= {arXiv preprint arXiv:2502.18782},
year = {2025}
}
备注
Accepted to NAACL 2025 Main Conference; 18 pages, 8 figures, 13 tables including Appendix