新框架通过失败模式老虎机提高 NLU 模型鲁棒性

研究人员开发了一种新颖的对抗性数据策展框架，旨在增强自然语言理解 (NLU) 模型的鲁棒性。该系统将数据策展构建为一个失败模式上下文老虎机问题，其中生成候选示例，由目标模型过滤，并由大型语言模型 (LLM) 集成进行验证。然后，该框架将这些示例聚类为反复出现的失败模式，并自适应地选择要采样的模式进行再训练，从而平衡鲁棒性提升与数据成本。该方法在 SNLI、ANLI 和 MultiNLI 等基准测试中显示出显著的准确性提升，并在事实核查任务中展现出潜力。 AI

影响 这种对抗性数据策展方法有望带来更鲁棒、更准确的 NLU 模型，从而减少对大量人工标注的需求。

排序理由 该集群包含一篇学术论文，详细介绍了一种改进 AI 模型性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• arXiv
• Fever
• Hugging Face
• MultiNLI
• RoBERTa-base
• RoBERTa-large
• Stanford Natural Language Inference corpus

• 论文
• 模型发布

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