論文の概要: CCPrompt: Counterfactual Contrastive Prompt-Tuning for Many-Class
Classification
- arxiv url: http://arxiv.org/abs/2211.05987v1
- Date: Fri, 11 Nov 2022 03:45:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:04:33.801195
- Title: CCPrompt: Counterfactual Contrastive Prompt-Tuning for Many-Class
Classification
- Title（参考訳）: CCPrompt:多クラス分類のための対実コントラストプロンプトチューニング
- Authors: Yang Li, Canran Xu, Tao Shen, Jing Jiang and Guodong Long
- Abstract要約: CCPromptは、多くのクラス分類、関係分類、トピック分類、エンティティタイピングタスクのプロンプトテンプレートである。
すべての事実と事実のペアにトレーニングインスタンスを投影することで、対照的な属性を利用する。
完全教師付き設定と少数ショット設定の両方において,関係分類,トピック分類,エンティティ型付けタスクについて実験を行った。
- 参考スコア（独自算出の注目度）: 41.98553416954571
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the success of the prompt-tuning paradigm in Natural Language Processing
(NLP), various prompt templates have been proposed to further stimulate
specific knowledge for serving downstream tasks, e.g., machine translation,
text generation, relation extraction, and so on. Existing prompt templates are
mainly shared among all training samples with the information of task
description. However, training samples are quite diverse. The sharing task
description is unable to stimulate the unique task-related information in each
training sample, especially for tasks with the finite-label space. To exploit
the unique task-related information, we imitate the human decision process
which aims to find the contrastive attributes between the objective factual and
their potential counterfactuals. Thus, we propose the \textbf{C}ounterfactual
\textbf{C}ontrastive \textbf{Prompt}-Tuning (CCPrompt) approach for many-class
classification, e.g., relation classification, topic classification, and entity
typing. Compared with simple classification tasks, these tasks have more
complex finite-label spaces and are more rigorous for prompts. First of all, we
prune the finite label space to construct fact-counterfactual pairs. Then, we
exploit the contrastive attributes by projecting training instances onto every
fact-counterfactual pair. We further set up global prototypes corresponding
with all contrastive attributes for selecting valid contrastive attributes as
additional tokens in the prompt template. Finally, a simple Siamese
representation learning is employed to enhance the robustness of the model. We
conduct experiments on relation classification, topic classification, and
entity typing tasks in both fully supervised setting and few-shot setting. The
results indicate that our model outperforms former baselines.
- Abstract（参考訳）: 自然言語処理(NLP)におけるプロンプトチューニングパラダイムの成功により、機械翻訳、テキスト生成、関係抽出など、下流タスクに役立てるための具体的な知識をさらに刺激する様々なプロンプトテンプレートが提案されている。
既存のプロンプトテンプレートは、主にすべてのトレーニングサンプルとタスク記述の情報を共有する。
しかし、トレーニングサンプルは非常に多様である。
共有タスク記述は各トレーニングサンプル,特に有限ラベル空間を持つタスクに対して,ユニークなタスク関連情報を刺激することができない。
タスクに関するユニークな情報を利用するために、客観的な事実と潜在的な反事実の対比的な属性を見つけることを目的とした人間の決定過程を模倣する。
そこで本稿では,関係分類やトピック分類,エンティティタイピングなど,多クラス分類のための<textbf{C}ounterfactual \textbf{C}ontrastive \textbf{Prompt}-Tuning(CCPrompt)アプローチを提案する。
単純な分類タスクと比較して、これらのタスクはより複雑な有限ラベル空間を持ち、プロンプトに対してより厳密である。
まず第一に、有限ラベル空間を乗じて事実と実のペアを構成する。
そして、各事実と事実のペアにトレーニングインスタンスを投影することで、対照的な属性を利用する。
さらに,プロンプトテンプレート内の追加トークンとして有効なコントラスト属性を選択するための,すべてのコントラスト属性に対応するグローバルプロトタイプをセットアップした。
最後に、モデルの堅牢性を高めるために、単純なシームズ表現学習を用いる。
完全教師付き設定と少数ショット設定の両方において,関係分類,トピック分類,エンティティ型付けタスクについて実験を行った。
その結果,モデルが以前のベースラインを上回っていることがわかった。
関連論文リスト
- Manual Verbalizer Enrichment for Few-Shot Text Classification [1.860409237919611]
acrshortmaveは、クラスラベルの豊か化による動詞化のためのアプローチである。
本モデルでは, 資源を著しく減らしながら, 最先端の成果が得られている。
論文 参考訳（メタデータ） (2024-10-08T16:16:47Z) - SciPrompt: Knowledge-augmented Prompting for Fine-grained Categorization of Scientific Topics [2.3742710594744105]
SciPromptは,低リソーステキスト分類タスクに対して,科学的トピック関連用語を自動的に検索するフレームワークである。
本手法は, ほとんど, ゼロショット設定下での科学的テキスト分類作業において, 最先端, 即時的な微調整法より優れる。
論文 参考訳（メタデータ） (2024-10-02T18:45:04Z) - Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。
より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。
これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
論文 参考訳（メタデータ） (2024-03-26T12:47:39Z) - A Novel Prompt-tuning Method: Incorporating Scenario-specific Concepts
into a Verbalizer [15.612761980503658]
シナリオ固有の概念を取り入れたラベルワード構築プロセスを提案する。
具体的には,タスク固有のシナリオから,ラベルワード候補としてリッチな概念を抽出する。
そこで我々は,各クラスのラベル単語の集合として候補を洗練するための新しいカスケードキャリブレーションモジュールを開発した。
論文 参考訳（メタデータ） (2024-01-10T15:02:35Z) - Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。
また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2023-09-10T10:57:41Z) - On Guiding Visual Attention with Language Specification [76.08326100891571]
注意をそらすのではなく,タスク関連機能に分類証拠を限定するためのアドバイスとして,ハイレベルな言語仕様を用いる。
この方法で空間的注意を監督することは、偏りのあるノイズのあるデータを用いた分類タスクの性能を向上させる。
論文 参考訳（メタデータ） (2022-02-17T22:40:19Z) - Eliciting Knowledge from Pretrained Language Models for Prototypical
Prompt Verbalizer [12.596033546002321]
本稿では,事前学習された言語モデルから知識を抽出することに集中し,プロンプト学習のためのプロトタイプなプロンプト動詞化手法を提案する。
ゼロショット設定では、知識は事前訓練された言語モデルから手動で設計され、初期プロトタイプの埋め込みを形成する。
数ショット設定では、モデルは有意義で解釈可能なプロトタイプの埋め込みを学ぶように調整される。
論文 参考訳（メタデータ） (2022-01-14T12:04:37Z) - Knowledgeable Prompt-tuning: Incorporating Knowledge into Prompt
Verbalizer for Text Classification [68.3291372168167]
我々は、外部知識を言語化に取り入れることに集中し、知識に富んだプロンプトチューニング(KPT)を形成する。
我々は,外部知識ベース(KB)を用いてラベル語空間を拡張し,拡張されたラベル語空間で予測する前に PLM 自体で拡張されたラベル語空間を洗練する。
ゼロと少数ショットのテキスト分類タスクの実験は、知識のあるプロンプトチューニングの有効性を示す。
論文 参考訳（メタデータ） (2021-08-04T13:00:16Z) - Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text
Classification [52.69730591919885]
本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。
多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
論文 参考訳（メタデータ） (2020-07-29T19:38:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。