面向表格数据零样本与少样本任务的LLM赋能原型学习
机器学习
2025-08-14 v1
摘要
大型语言模型（LLM）的最新突破为深入探究其在表格数据建模中的潜力打开了大门。然而，在少样本甚至零样本场景中有效利用先进的LLM仍然具有挑战性。为此，我们提出了一种新颖的基于LLM的原型估计框架用于表格学习。我们的核心思想是查询LLM，基于无示例提示生成特征值，该提示仅依赖于任务和特征描述。利用LLM生成的特征值，我们可以以无需训练的方式构建零样本原型，并可通过融合少样本样本进一步增强，从而避免训练分类器或微调LLM。得益于无示例提示和原型估计，我们的方法绕过了基于示例的提示带来的限制，提供了一个可扩展且稳健的框架。大量实验证明了本方法在零样本和少样本表格学习中的有效性。
引用
@article{arxiv.2508.09263,
title = {LLM Empowered Prototype Learning for Zero and Few-Shot Tasks on Tabular Data},
author = {Peng Wang and Dongsheng Wang and He Zhao and Hangting Ye and Dandan Guo and Yi Chang},
journal= {arXiv preprint arXiv:2508.09263},
year = {2025}
}