Few-shot classification

Определение

Few-shot классификация (малошотное обучение) — задача обучения модели распознавать новые классы на основе очень ограниченного числа размеченных примеров (обычно от 1 до 10 на класс). В NLP этот подход позволяет адаптировать предобученные модели к новым задачам с минимальной разметкой, что критически важно для сценариев с дефицитом аннотированных данных. Основные методы включают мета-обучение, промптинг больших языковых моделей и специализированные архитектуры вроде SetFit.

Где встречается

• 917. Что такое Few-shot Classification для NLP? Какие подходы существуют (SetFit, мета-обучение, промптинг LLM)?

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление