ACLFeb, 2024
通过 LLM 后编辑改进跨领域低资源文本生成:一种程序员 - 口译员方法
Improving Cross-Domain Low-Resource Text Generation through LLM Post-Editing: A Programmer-Interpreter Approach
Zhuang Li, Levon Haroutunian, Raj Tumuluri, Philip Cohen, Gholamreza Haffari
TL;DR通过提出一种神经程序解释器方法,将后编辑动作专门设计用于文本生成,以解决大型语言模型的后编辑方法在跨领域时的泛化能力不足的问题。大量实验证明,该方法在逻辑形式到文本转换和低资源机器翻译中显著提高了 GPT-3.5 的性能,并超过了其他最先进的大型语言模型后编辑方法。