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。
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