محققان در تازهترین مقاله خود، روشی به نام Flick معرفی کردهاند که چالش دستهبندی متن با دادههای محدود (Few-Label) را هدف قرار داده است.
مشکل اصلی روشهای فعلی در زبانهای کممنابع، وابستگی بیش از حد به برچسبهای کاذب (Pseudo-labels) پرخطا است. مدل Flick با استفاده از یک مکانیزم هوشمند برای انتخاب و پالایش برچسبهای باکیفیت (Top-K selection)، دقت مدل را در شرایطی که دادههای آموزشی بسیار کمی در دسترس است، به شکل قابل توجهی بهبود میبخشد.
این دستاورد میتواند گام بزرگی برای تقویت مدلهای زبانی در زبانهایی باشد که دادههای آموزشی کمی برای آنها موجود است.
منبع: arXiv NLP
