PulseAugur
中
实时 19:24:05
English(EN) Flick: Few Labels Text Classification using K-Aware Intermediate Learning in Multi-Task Low-Resource Languages

新的 Flick 方法改进了低资源语言的少标签文本分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为 Flick 的新方法，用于少标签文本分类，该方法专为低资源语言设计。Flick 通过提炼更广泛的初始聚类中的伪标签来区分自己，专注于高置信度选择以提高准确性。这种方法减轻了低资源环境中常见的错误，并允许使用最少的真实标签对预训练语言模型进行稳健的微调。该方法已在包括阿拉伯语、乌尔都语和茨瓦纳语以及英语在内的 14 个数据集上证明了其有效性。 AI

影响 这项研究可以使在标记数据有限的语言中实现更有效的 AI 应用。

排序理由 该集群包含一篇详细介绍文本分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 Flick 方法改进了低资源语言的少标签文本分类

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ali Almutairi, Abdullah Alsuhaibani, Shoaib Jameel, Aditya Joshi, Gelareh Mohammadi, Imran Razzak ·

    Flick: Few Labels Text Classification using K-Aware Intermediate Learning in Multi-Task Low-Resource Languages

    arXiv:2506.10292v2 Announce Type: replace-cross Abstract: Training deep learning networks with minimal supervision has gained significant research attention due to its potential to reduce reliance on extensive labelled data. While self-training methods have proven effective in se…

相关实体

相关话题