SemSup 使用可扩展的多描述采样方法，使用易于生成和在某些设置上优于文本的 JSON 等替代描述格式，以及混合词汇语义相似度来利用类别描述中的细粒度信息，从而提高了未见过的新类别泛化的准确性。

Feb, 2022

本文提出了一种基于深度神经网络和零样本学习框架的语义话语分类方法，该方法在零样本分类中可以学习语义特征，并在 SUC 数据集上达到了当前最先进的分类精度。

Dec, 2013

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

本文提出了一种使用预训练的 Transformer 编码器通过自监督对比损失学习实例和标签的语义嵌入的方法，即 MACLR，以解决极端多标签文本分类问题，包括 GZ-XMC、Extreme Zero-Shot XMC 和 Few-Shot XMC，在多个公共 EZ-XMC 数据集上实现了更好的性能。

Dec, 2021

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

在现实世界的背景中，频繁出现标签、少样本学习和零样本学习同时存在，为了实现实际部署的适应性，本文提出了一种新的分类问题 X-shot，并介绍了一种名为 BinBin 的解决方案，它通过指令跟踪结合自然语言处理任务的间接监督和大型语言模型提供的弱监督，有效地解决了不同标签情况下的分类挑战。

Mar, 2024

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

本文研究极端多标记分类（XMC）任务，提出了一种使用上下文学习方法的 In-Context Extreme Multilabel Learning（ICXML）框架，通过生成候选标签集并对其进行排名，进一步提升了 XMC 领域的研究进展。

Nov, 2023

本文提出一种基于弱监督模型下的文本分类方法，利用表面类名进行自适应表示学习，通过一个新的框架 X-Class，通过计算类别间相似性和类别特征相似度，完成文档表示和分类，实验表明该方法在多个基准数据集上表现良好。

Oct, 2020

我们提出了一种通过大型语言模型（LLM）的反馈来训练一个小型双编码器模型的框架，该双编码器模型将文档和标签编码为用于检索的嵌入向量。我们的方法利用 LLM 的零样本能力来评估标签与文档之间的相关性，而不是使用从文档本身提取的低质量标签。我们的方法在各种数据集上表现优于现有技术，同时对于大型数据集具有相似的训练时间，且能保证快速推断。

Jun, 2024