RAG管道解决了环境文件分类中的标签稀疏性问题

研究人员开发了一种检索增强生成（RAG）管道，以改进水电许可文件中环境缓解义务的分类。这种新方法解决了标签稀疏性严重的挑战，即许多类别缺乏足够的训练数据。RAG管道能够实现跨整个标签空间的零样本泛化，在看不见的类别上优于传统的基于BERT的模型。结合BERT检测和RAG分类的混合系统在包含5,860个段落的数据集上取得了0.524的微F1分数，在所有训练支持的桶中均表现出优越的性能。 AI

影响 这项研究可以提高大型项目中监管合规性和环境影响评估的效率。

排序理由 该项目是一篇学术论文，详细介绍了一种新的信息检索和分类方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

• alphaXiv
• BERT
• Bidirectional Encoder Representations from Transformers
• CatalyzeX
• DagsHub
• Federal Energy Regulatory Commission
• Gotit.pub
• Hugging Face
• Influence Flower
• retrieval-augmented generation
• ScienceCast

• 论文
• 其他

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