Mashee在SemEval-2024任务8中：样本质量对机器文本分类上下文学习性能的影响
计算与语言
2024-06-27 v1
摘要
在少样本学习中，上下文学习（ICL）已成为一种潜在方法，用于利用上下文信息在少量数据上或在资源受限环境（在这些环境中，在大型数据集上训练模型是不可行的）中提高模型性能。然而，少样本中选定样本的质量严重限制了ICL的实用性。本文的主要目标是通过在少样本学习场景中选择高质量样本来提高上下文学习评估指标的性能。我们采用卡方检验来识别高质量样本，并将结果与使用低质量样本获得的结果进行比较。我们的研究结果表明，使用高质量样本在所有评估指标方面都带来了性能提升。
引用
@article{arxiv.2406.17790,
title = {Mashee at SemEval-2024 Task 8: The Impact of Samples Quality on the Performance of In-Context Learning for Machine Text Classification},
author = {Areeg Fahad Rasheed and M. Zarkoosh},
journal= {arXiv preprint arXiv:2406.17790},
year = {2024}
}