PulseAugur
中
实时 11:01:15
Deutsch(DE) Discrete Diffusion Language Models Are Training-Free Multi-Label Classifiers

新方法使用离散扩散模型进行无需训练的多标签文本分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为dLLM-SetScore的新方法，该方法利用离散掩码扩散语言模型进行多标签文本分类，而无需进行特定任务的微调。该方法通过对每个潜在标签提出是/否问题，并比较答案标记的概率来实现。为避免偏差，该方法采用每标签评分，将每个标签置于相同的句法位置，以防止先前方法中观察到的依赖于顺序的伪影。在Reuters和GoEmotions等数据集上的评估表明，使用此协议的LLaDA-Instruct检查点在无需训练的情况下取得了高性能，在多项比较中优于SetFit和其他监督分类器。 AI

影响 为多标签分类引入了一种无需训练的方法，有可能简化某些自然语言处理任务的部署并降低计算成本。

排序理由 这是一篇研究论文，详细介绍了一种使用离散扩散语言模型进行文本分类的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新方法使用离散扩散模型进行无需训练的多标签文本分类

报道来源 [1]

  1. arXiv cs.LG TIER_1 Deutsch(DE) · Pawan Kumar ·

    离散扩散语言模型是无需训练的多标签分类器

    arXiv:2608.14649v1 Announce Type: new Abstract: We present dLLM-SetScore, a training-free method that uses discrete masked-diffusion language models for multi-label text classification. For each candidate label, it asks a short yes/no question and compares the probabilities of th…

相关实体

相关话题