Understanding Survey Paper Taxonomy about Large Language Models via Graph Representation Learning

828 篇文章

已下架不支持订阅

本文提出了一种利用图结构信息自动为大型语言模型的调查论文分类的方法,通过比较不同范式,发现图表示学习在分类效果上优于语言模型微调和零样本/少样本分类,并且微调小模型生成的弱标签可能更有效,展现了弱到强泛化的潜力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Understanding Survey Paper Taxonomy about Large Language Models via Graph Representation Learning》的翻译。

通过图表示学习理解大型语言模型的综述论文分类

摘要

随着对大型语言模型(LLM)的新研究不断进行,很难跟上新的研究和模型。为了帮助研究人员综合这项新研究,许多人撰写了调查论文,但即使是这些论文也变得越来越多。在本文中,我们开发了一种自动将综述论文分配给分类法的方法。我们收集了144篇LLM综述论文的元数据,并探讨了在分类法中对论文进行分类的三种范式。我们的工作表明,在两种范式中,利用共范畴图上的图结构信息可以显著优于语言模型;预训练的语言模型的微调和使用LLM的零样本/少搜索分类。我们发现,我们的模型超过了人类的平均识别水平,并且使用较小模型(如本研究中的GCN)生成的弱标签对LLM进行微调可能比使用基本事实标签更有效,从而揭示了分类任务中弱到强泛化的潜力。

1 引言

2 相关工作

3 方法

4 实验

5 结论

在这项工作中,我们的目标是开发一种方法,将有

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值