@进行中{stoehr-etal-2024-未监督,title=“使用语言模型进行无监督对比一致排名”,author=“Stoehr、Niklas和Cheng、Pengxiang和Wang、Jing和Preotiuc-Pietro、Daniel和拉贾什·博米克“,editor=“Graham、Yvette和Purver,Matthew”,booktitle=“计算语言学协会欧洲分会第十八届会议论文集(第一卷:长篇论文)”,月=3月,年=“2024”,address=“马耳他圣朱利安教堂”,publisher=“计算语言学协会”,url=“https://aclantology.org/2024.eacl-long.54”,pages=“900--914”,abstract=“语言模型包含基于排名的知识,是上下文排序任务的强大解决方案。例如,它们可能具有关于国家大小排序的参数化知识,或者可能能够根据情感对产品评论进行排名。我们比较了成对、逐点和逐列表提示技术,以引出语言模型{'}的排名知识。然而,我们发现,即使经过仔细的校准和受限解码,基于提示的技术在其产生的排名中也可能并不总是自我保持。这促使我们探索一种替代方法,这种方法是受一种称为对比一致搜索(CCS)的无监督探测方法的启发。其思想是训练一个由逻辑约束引导的探测:语言模型{'}对语句及其否定的表示必须在多个语句中一致地映射到对比真-假极点。我们假设类似的约束条件适用于通过一致、成对或列表比较关联所有项目的排序任务。为此,我们将二进制CCS方法扩展为对比一致性排序(CCR),方法是采用现有的排序方法,如最大边际损失、三重损失和序数回归目标。在不同的模型和数据集中,我们的结果证实CCR探测性能更好,或者至少与提示相当。",}
<?xml版本=“1.0”编码=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“stoehr-etal-2024-unsupervised”><标题信息><title>使用语言模型进行无监督对比一致排名</titleInfo><name type=“personal”>尼古拉斯斯托尔<角色><roleTerm authority=“marcorrator”type=“text”>作者</roleTerm></角色></name><name type=“personal”>彭翔<namePart type=“given”><namePart type=“family”>程<角色><roleTerm authority=“marcorrator”type=“text”>作者</roleTerm></角色></name><name type=“personal”>京王<namePart type=“family”><角色><roleTerm authority=“marcorrator”type=“text”>作者</roleTerm></角色></name><name type=“personal”>丹尼尔Preotiuc-Pietro系列<角色><roleTerm authority=“marcorrator”type=“text”>作者</roleTerm></角色></name><name type=“personal”>拉贾什博瓦米克<角色><roleTerm authority=“marcorrator”type=“text”>作者</roleTerm></角色></name><originInfo><dateIssue>2024-03</dateIssue>发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息><title=计算语言学协会欧洲分会第十八届会议论文集(第一卷:长篇论文)</title=</titleInfo><name type=“personal”>Yvette(伊维特)格雷厄姆<角色>编辑器</角色></name><name type=“personal”>马修Purver公司<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>马耳他圣朱利安</place></originInfo>会议出版物</relatedItem>语言模型包含基于等级的知识,是上下文排序任务的强大解决方案。例如,他们可能对国家大小排序有参数化知识,或者可能能够根据情绪对产品评论进行排名。我们比较了成对、逐点和逐列表提示技术,以获取语言模型的排序知识。然而,我们发现,即使经过仔细的校准和约束解码,基于提示的技术在产生的排名中也可能并不总是自洽的。这促使我们探索一种受无监督探测方法启发的替代方法,该方法被称为对比一致搜索(CCS)。这个想法是在逻辑约束的指导下训练一个探针:语言模型对一个语句及其否定的表示必须在多个语句中一致地映射到对比的真-假极点。我们假设类似的约束条件适用于通过一致、成对或列表比较关联所有项目的排序任务。为此,我们将二进制CCS方法扩展为对比一致性排序(CCR),方法是采用现有的排序方法,如最大边际损失、三重损失和序数回归目标。在不同的模型和数据集中,我们的结果证实CCR探测性能更好,或者至少与提示相当</摘要><identifier type=“citekey”>stoehr-etal-2024-无监督</identifier><位置><网址>https://aclantology.org/2024.eacl-long.54</url></位置><部分>2024-03年<扩展单元=“page”><开始>900<end>914</end></范围></部分></mods></mods集合>
%0会议记录%基于语言模型的T无监督对比一致排序%尼古拉斯·A·斯托尔%彭翔阿城%A Wang,Jing(王静)%A Preotiuc-Pietro,丹尼尔%拉贾什·A Bhowmik%伊维特·Y·格雷厄姆%Y Purver,马修%计算语言学协会欧洲分会第18届会议记录(第1卷:长篇论文)%D 2024年%3月8日%计算语言学协会%马耳他圣朱利安教堂%F stoehr-etal-2024-无监督%X语言模型包含基于等级的知识,是上下文排序任务的强大解决方案。例如,他们可能对国家大小排序有参数化知识,或者可能能够根据情绪对产品评论进行排名。我们比较了成对、逐点和逐列表提示技术,以获取语言模型的排序知识。然而,我们发现,即使经过仔细的校准和受限解码,基于提示的技术在其产生的排名中也可能并不总是自我保持。这促使我们探索一种受无监督探测方法启发的替代方法,该方法被称为对比一致搜索(CCS)。这个想法是在逻辑约束的指导下训练一个探针:语言模型对一个语句及其否定的表示必须在多个语句中一致地映射到对比的真-假极点。我们假设类似的约束条件适用于通过一致、成对或列表比较关联所有项目的排序任务。为此,我们将二进制CCS方法扩展为对比一致性排序(CCR),方法是采用现有的排序方法,如最大边际损失、三重损失和序数回归目标。在不同的模型和数据集中,我们的结果证实CCR探测性能更好,或者至少与提示相当。%U型https://aclantology.org/2024.eacl-long.54%电话900-914
降价(非正式)
[使用语言模型进行无监督对比一致排名](https://aclantology.org/2024.eacl-long.54)(Stoehr等人,EACL 2024)
国际计算语言学协会
- Niklas Stoehr、程鹏翔、王晶、Daniel Preotiuc Pietro和Rajarshi Bhowmik。2024基于语言模型的无监督对比一致排序.英寸计算语言学协会欧洲分会第18届会议记录(第1卷:长篇论文),第900-914页,马耳他圣朱利安。计算语言学协会。