few-shot learners | BriefGPT

关键词few-shot learners

搜索结果 - 8

抵御预训练语言模型作为小样本学习器的后门攻击
该研究重点探讨了预训练语言模型（PLMs）作为少样本学习器的安全风险，并提出了一种轻量、可插拔且有效的防御方案 MDP，利用掩码灵敏度的差异比较样本的表示，从而鉴别出有显著变化的被污染样本。经实验证明，MDP 在基准数据集和典型攻击上具有较
PDF9 months ago
探索多样的上下文配置进行图像字幕生成
本文通过实验研究，对比了四种图像选择和四种图像描述分配策略，在视觉语言领域的图像字幕生成任务中，探索了不同配置对于在情境学习上的影响，揭示了多模态协同作用下视觉语言情境学习的独特特征。
PDFa year ago
GRILL: 基于文本和图像区域对齐的视觉 - 语言预训练
本文介绍了一种名为 GRILL 的 VL 模型，能够通过利用物体 - 文本对齐来学习对象对齐与定位，从而在零个或很少的训练实例下，推广到各种零 / 几 - shot 任务，包括视觉问答、字幕和定位任务。评估表明，GRILL 模型 consi
PDFa year ago
ACLMAPL: 针对视觉语言少样本提示的单模态预训练模型参数高效自适应
MAPL 是一种有效的参数少、可复用预训练模型并利用其在多模态视觉语言领域中的强大泛化能力的方法，能够将不同模态的模型的表示空间通过对齐的图像文本数据进行轻量级映射，从而在现场学习过程中减少训练量并产生较好的性能。
PDF2 years ago
ACL基于提示的少样本语言学习的对比学习
本文提出一种基于对比学习的框架，使用不同的增强 “视图” 将同一类别的输入聚类，远离来自不同类别的输入，将对比损失与标准的掩码语言建模（MLM）损失相结合，并应用于基于提示的少样本学习者，实验结果表明，我们的方法在 15 种不同的语言任务中
PDF2 years ago
ACLLMTurk：基于语言模型服务框架的少样本学习者作为众包工人
本文提出了一种名为 LMTurk 的方法，将 pretrained language models 作为众包工作者进行任务注解，利用 active learning 减少对 PLMs 的查询，提高 few-shot learners 生成的
PDF3 years ago
基于少样本学习的蕴涵推理
本研究提出了一种名为 EFL 的新方法，将潜在的自然语言处理任务重新表述为蕴含任务，并在少至 8 个样例的情况下微调模型，进而证明该方法可以自然地与无监督对比学习数据增强方法相结合，易于扩展为多语言少样本学习，并在 18 个标准 NLP 任
PDF3 years ago
SimpleShot: 重新审视最近邻分类在少样本学习中的应用
本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。
PDF5 years ago