基于 FASL 的主动少样本学习
计算与语言
2022-05-18 v2
摘要
自然语言处理（NLP）的近期进展为许多任务带来了强大的文本分类模型。然而，训练高质量模型通常仍需要数千个样本。这使得快速开发和部署面向现实世界问题与业务需求的新模型颇具挑战。少样本学习与主动学习是旨在解决该问题的两条研究路线。本工作中，我们将两条路线结合为 FASL，一个允许通过迭代且快速的过程训练文本分类模型的平台。我们研究了在少样本设置下哪些主动学习方法效果最佳。此外，我们开发了一个模型来预测何时停止标注。这在少样本设置中是相关的，因为我们无法访问大型验证集。
引用
@article{arxiv.2204.09347,
title = {Active Few-Shot Learning with FASL},
author = {Thomas Müller and Guillermo Pérez-Torró and Angelo Basile and Marc Franco-Salvador},
journal= {arXiv preprint arXiv:2204.09347},
year = {2022}
}