ACLMar, 2022

PRBoost：基于提示的规则发现和增强交互式弱监督学习

PDF
TL;DRPRBoost 是一种交互式弱监督学习模型，通过迭代基于提示的规则发现和模型增强，自动发现新标签规则并生成补充弱标签，实验表明 PRBoost 在四个任务中的表现优于基线模型。
weakly-supervised learninginteractive weakly-supervised learningprboostlabeling rulesnlp
发现论文，激发创造
  • 基于弱监督的口语理解低资源流水线

    本文提出了一种基于提示的弱监督学习方法，用于在未标记的数据上获取嘈杂的标签，并在许多口语理解任务上取得了可靠的表现，优于传统的规则方法和其他竞争性的低资源基准。

    Jun, 2022

  • 一种基准生成式概率模型用于弱监督学习

    本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

    Mar, 2023

  • RulePrompt: 利用提示性预训练语言模型和自我迭代逻辑规则进行弱监督的文本分类

    为了让预训练语言模型（PLMs）有效理解每个类别，我们首次提出了一种新颖的基于规则的知识形式，用逻辑表达式来描述类别的含义，并开发了一种基于 PLM 的 RulePrompt 方法，包括规则挖掘模块、增强伪标签生成模块和自监督微调模块，通过这一框架，我们的方法在弱监督文本分类任务中验证了其有效性和稳健性，并明显优于最先进的方法，同时产生了可解释的类别规则，证明了在消除易混淆的类别方面的优势。

    Mar, 2024

  • 循环中的语言模型：将提示融入弱监督

    本研究提出使用大型预训练语言模型进行弱监督学习的策略，并使用 Snorkel 系统去噪声标签，得到的训练数据可提高分类器的准确性，相比于零样本方法，错误率平均降低 19.5%。此外，该方法所得分类器的准确度相当或高于手动设置的规则。

    May, 2022

  • 程序化弱监督综述

    本文综述了最近在程序化弱监督（PWS）方面取得的重要进展，特别介绍了该学习范例的简要概述并回顾了在该流程内的各个组成部分的代表性方法，还讨论了解决有限标记数据方案的补充学习范式及相关方法如何与 PWS 结合使用，最后鉴定了一些在该领域中仍未被探讨的关键挑战，希望能够激发未来的研究方向。

    Feb, 2022

  • 通过弱间接监督创建训练集

    该研究论文提出了 Weak Indirect Supervision (WIS) 这一问题，还设计了一种基于概率建模的 PLRM 方法来解决监督数据输出空间不匹配的问题。PLRM 方法在图像分类、文本分类和工业广告应用中均表现出超过基线模型 2% ~ 9% 的优势。

    Oct, 2021

  • 使用提示增强的噪声 - 鲁棒自训练进行弱监督文本分类

    本文提出了 PromptClass 方法，它使用预训练语言模型通过零样本提示获取基于上下文文本理解的伪标签，同时使用两种基于 PLM 微调的策略迭代地训练分类器和更新伪标签，实验结果表明，PromptClass 在四个基准数据集上实现了优异的表现，并在情感分类任务上实现了与全监督分类器相似的性能。

    May, 2023

  • 弱监督提示学习下的低资源医学图像分类探索

    通过弱监督的提示学习方法 MedPrompt，自动生成医学提示并利用预训练的视觉 - 语言模型，在低资源情况下提升医学图像识别的性能和准确率。

    Feb, 2024

  • AutoWS: 文本分类自动化弱监督框架

    提出了 AutoWS 框架用于增加弱监督过程的效率，减少对领域专家的依赖性，使用少量标记的实例和自动创建标注函数的方法来指定嘈杂标签，然后通过一个下游歧别分类器将其聚合成概率标签。

    Feb, 2023

  • 基于自适应排名的弱监督类不平衡文本分类样本选择

    采用 Adaptive Ranking-based Sample Selection 框架来解决弱监督下数据不平衡的问题，可提高文本分类任务的效果。

    Oct, 2022