提出了一种使用直觉模糊方法测量具有缺失值的决策单元效率的输入最小化 BCC 模型，以及在印度警察站应用该模型来处理数据缺失和不精确性的技术。

Jul, 2022

该论文对文档级情感分析模型进行了广泛比较评估，在关注模型部署可行性和资源消耗的重要指标方面，考虑了不同的特征提取技术、集成效果、任务特定的深度学习建模和领域无关的大型语言模型（LLMs）。研究发现，尽管微调的 LLM 获得了最高的准确率，但某些替代配置在资源消耗方面提供了巨大的节省，而准确率只有微小的损失。此外，研究还发现，在较小的数据集上，准确率的差异越来越小，而资源消耗的差异却越来越大。

Aug, 2023

本文介绍了在资源有限的情况下，如何在自然语言处理中提高处理效率的方法和研究方向。

Aug, 2022

在数据驱动的决策时代，数据分析的复杂性需要数据科学的高级专业知识和工具，而大型语言模型 (Large Language Models (LLMs)) 作为数据科学代理人，有望成为有益的辅助工具。本文介绍了 DSEval - 一种新颖的评估范式，以及一系列针对评估这些代理人在整个数据科学生命周期中性能的创新基准。通过引入新颖的自举注释方法，我们简化了数据集准备工作，提高了评估涵盖范围，扩大了基准的综合性。我们的研究结果揭示了普遍存在的障碍，并提供了重要的见解，以指导未来领域的进展。

Feb, 2024

大型语言模型（LLMs）的资源效率调查，系统地介绍了提高 LLMs 资源效率的各种技术，包括优化策略、评估指标和可持续发展。

Jan, 2024

使用拓扑数据分析 (TDA) 基于距离测量，提出了估计自然语言处理 (NLP) 模型权重的方法，通过对模型的性能和相似性进行综合评估，改进了集成学习方法，提高了文本分类准确性和相关的不确定性估计。

Feb, 2024

本文调查了低资源自然语言处理的相关方法，其中包括数据增强、遥感监视和迁移学习等技术以帮助在需要训练数据较少的情况下提高神经模型的性能，并通过说明这些方法的差异帮助选择适合特定低资源设置的技术。

Oct, 2020

提出一种新的度量 - 元分布能量 (MDE)，用于提高自动模型评估框架的效率和效果，通过建立与个体样本相关的信息（能量）的元分布统计，并借助基于能量的学习提供更平滑的表示。验证了 MDE 在多模态、不同数据集和不同架构背景下的有效性以及与之前方法相比的优越性，并证明了 MDE 与分类损失的理论联系。同时展示了 MDE 与大规模模型的无缝集成以及在具有噪声或不平衡标签的学习场景中的简便适应性。

Jan, 2024

本文介绍了自然语言处理领域中用于测量模型性能的度量标准，发现当前使用的大多数指标存在评估不足及解释性差等问题，导致透明性和可重复性的降低。

Apr, 2022

使用大型语言模型，无需人工注释，将合成数据集混合到现有数据集中，可以提高低资源语言的 BLEURT 模型性能。

Feb, 2023