零样本学习的灵活工作分类

Aug, 2022

Flexible Job Classification with Zero-Shot Learning

Thom Lake

TL;DR本文重点研究了零样本多标签文档分类在人力资源领域的实际税分类扩展情景下的应用，实验表明，相对于传统的多标签分类器，零样本分类器可以实现 12% 的平均精度（macro-AP）的增长。另外，本文还提出了采用推荐系统领域中的筛选 / 重排序分解技术可以显著降低性能非常高的零样本分类器的计算负荷。

Abstract

Using a taxonomy to organize information requires classifying objects (documents, images, etc) with appropriate taxonomic classes. The flexible nature of zero-shot learning is appealing for this task because it allows classifiers to naturally adapt to taxonomy modifications. This work

zero-shot learning multi-label document classification taxonomy expansion fine-tuned language models human resource domain

发现论文，激发创造

强监督下的多线索零样本学习

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

音乐分类与标记中的零样本学习和知识迁移

本研究探讨零样本学习在音乐分类和标记任务中的应用，提出了将音频和标记空间映射到单一语义空间并进行知识传递的方法，以验证其在不同音乐语料库中的泛化能力。

Jun, 2019

自训练的零样本文本分类

本文提出一种基于自训练方法的插入式零样本文本分类技术，无需领域专业知识或经验，仅需要类别标签和无标记数据，可显著提高性能，适用于各种文本分类任务。

Oct, 2022

将语义知识融合应用于零样本文本分类

本文提出了一个两阶段的框架，结合了数据扩充和特征扩充来解决零样本文本分类问题，同时将四种语义知识结构（词嵌入，类别描述，类层次结构和通用知识图谱）纳入到该框架中，实验结果表明，该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体准确率。

Mar, 2019

零样本学习用于需求分类：探索性研究

本研究提出了使用零样本学习方法进行需求分类的可能性，使用了上下文词嵌入和基于 transformer 的语言模型，通过一系列实验展示了该方法在三项分类任务上取得了不俗的结果。这种零样本学习方法可以缓解在需求工程中数据短缺的问题。

Feb, 2023

使用类别描述标注的零样本文本分类训练的好处

本研究提出了一种简单的方法来进一步提高零 - shot 分类准确性，即利用精心策划的微调数据集描述任务的标签，进而在多个文本域中获得强大的预测模型。

May, 2023

对比训练提高半结构化文档零样本分类能力

本研究使用了匹配方法，并对零样本学习中的半结构化文档分类任务进行了探索，使用对位对比目标来加强监督和无监督的零样本学习，显著提高了宏 F1 的结果。

Oct, 2022

基于音频的零样本学习音乐分类和标记

本文研究了音乐领域中的零样本学习，并组织了两个不同的副信息设置，探讨人类标记的属性信息和一般词语语义信息的适用性，在音乐分类和多标签零样本学习方面提出了数据分割方案和评估设置，并报告了实验结果。

Jul, 2019

从语言模型中提炼上下位关系：零样本分类的有效性研究

本文分析基于提示和句子评分的语言模型知识提取的零样本分类学习方法，证明这些简单的方法在适当条件下优于一些有监督的策略，并且与当前的最新技术水平具有竞争力；同时说明提示的统计和语言学特性对下游性能有影响。

Feb, 2022

跨域多标签零样本学习

本文提出了一种多标签零样本学习的框架，旨在解决测试时如何利用多标签相关性的挑战，并通过实验表明，所提出的深度回归模型和基于语义词向量的零样本学习算法，以及转导式学习策略，优于各种基线算法。

Mar, 2015