@进行中{choubey-etal-2022-共形,title=“用于提高零炮文本分类效率的保角预测器”,author=“Choubey、Prafulla Kumar和白、余和吴建生和刘文浩和纳兹涅州拉贾尼”,editor=“Goldberg、Yoav和科扎列娃、佐尔尼察和张岳”,booktitle=“2022年自然语言处理实证方法会议记录”,月=12月,年=“2022”,address=“阿拉伯联合酋长国阿布扎比”,publisher=“计算语言学协会”,url=“https://aclantology.org/2022.emnlp-main.196”,doi=“10.18653/v1/2022.emnlp-main.196”,pages=“3027--3034”,abstract=“预训练语言模型(PLM)已被证明对零快照(0shot)文本分类有效。基于自然语言推理(NLI)和下一句预测(NSP)的快照模型采用交叉编码器架构,并通过分别对每个标签文本对的模型进行前向传递来推断。这增加了对标签数量进行线性推断的计算成本。在这项工作中,我们通过使用另一种基于快速基分类器的共形预测器(CP)来限制可能标签的数量,从而提高了这种基于交叉编码器的0shot模型的效率。由于CP生成具有覆盖保证的预测集,因此它减少了目标标签的数量,而不排除基于0shot模型的最可能标签。我们使用三个意图和两个主题分类数据集进行实验。在每个数据集都有合适的CP的情况下,我们将基于NLI和NSP的模型的平均推理时间分别减少了25.6{\%}和22.2{\%},而不会将性能降至1{\%}的预定义错误率以下。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“choubey-etal-2022-保形”><标题信息>提高零炮文本分类效率的保角预测器</titleInfo><name type=“personal”>普拉福拉库马尔乔比<角色>作者</角色></name><name type=“personal”><namePart type=“given”>余</namePart>白<namePart type=“family”><角色>作者</角色></name><name type=“personal”>钱胜<namePart type=“given”>吴<角色>作者</角色></name><name type=“personal”>文浩刘<角色>作者</角色></name><name type=“personal”>纳兹涅语拉贾尼<角色>作者</角色></name><originInfo><日期发布>2022-12年</日期发布></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>2022年自然语言处理实证方法会议记录</titleInfo><name type=“personal”>Yoav戈德堡<角色>编辑器</角色></name><name type=“personal”>佐尔尼察科扎列娃<角色>编辑器</角色></name><name type=“personal”>岳<namePart type=“given”><namePart type=“family”>张<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>阿拉伯联合酋长国阿布扎比</place></originInfo>会议出版物</relatedItem>预训练语言模型(PLM)已被证明对零快照(0shot)文本分类有效。基于自然语言推理(NLI)和下一句预测(NSP)的0shot模型采用交叉编码器结构,并通过分别对每个标签文本对的模型进行前向传递来进行推断。这增加了对标签数量进行线性推断的计算成本。在这项工作中,我们通过使用另一种基于快速基分类器的共形预测器(CP)来限制可能标签的数量,从而提高了这种基于交叉编码器的0shot模型的效率。由于CP生成具有覆盖保证的预测集,因此它减少了目标标签的数量,而不排除基于0shot模型的最可能标签。我们使用三个意图和两个主题分类数据集进行实验。在每个数据集都有合适的CP的情况下,我们将基于NLI和NSP的模型的平均推理时间分别减少了25.6%和22.2%,而不会将性能降至1%的预定义错误率以下</摘要>choubey-etal-2022-共形10.18653/v1/2022.emnlp-main.196<位置><网址>https://aclantology.org/2022.emnlp-main.196</url></位置><部分>2022-12年<扩展单元=“page”><开始>3027<end>3034</范围></部分></mods></modsCollection>
%0会议记录%提高零镜头文本分类效率的T共形预测器%A Choubey,Prafulla Kumar%阿白,于%吴建生%刘文浩%纳兹涅州拉贾尼%Y Goldberg,约夫%佐尔尼察Y Kozareva%Y Zhang,岳%2022年自然语言处理实证方法会议论文集%D 2022年%12月8日%计算语言学协会%C阿拉伯联合酋长国阿布扎比%F choubey-etal-2022-保形%X预训练语言模型(PLM)已被证明对零快照(0shot)文本分类有效。基于自然语言推理(NLI)和下一句预测(NSP)的0shot模型采用交叉编码器结构,并通过分别对每个标签文本对的模型进行前向传递来进行推断。这增加了对标签数量进行线性推断的计算成本。在这项工作中,我们通过使用另一个基于快速基本分类器的保形预测器(CP)来限制可能的标签数量,从而提高了这种基于交叉编码器的0shot模型的效率,该保形预测器是在0shot模型标记的样本上校准的。由于CP生成具有覆盖保证的预测集,因此它减少了目标标签的数量,而不排除基于0shot模型的最可能标签。我们使用三个意图和两个主题分类数据集进行实验。通过对每个数据集使用合适的CP,我们将基于NLI和NSP的模型的平均推理时间分别减少了25.6%和22.2%,而性能不会下降到预定的错误率1%以下。%R 10.18653/v1/2022.emnlp-main.196%U型https://aclantology.org/2022.emnlp-main.196%U型https://doi.org/10.18653/v1/2022.emnlp-main.196%电话:3027-3034
降价(非正式)
[用于提高零炮文本分类效率的保角预测器](https://aclantology.org/2022.emnlp-main.196)(Choubey等人,EMNLP 2022)
国际计算语言学协会
- Prafulla Kumar Choubey、Yu Bai、Chien-Sheng Wu、Wenhao Liu和Nazneen Rajani。2022提高零镜头文本分类效率的保角预测器.英寸2022年自然语言处理实证方法大会论文集,第3027-3034页,阿拉伯联合酋长国阿布扎比。计算语言学协会。