Προτεινόμενη Διπλωματική εργασία Προπτυχιακού προγράμματος Σπουδών
Η εργασία στοχεύει στη μελέτη τεχνικών που επιτρέπουν τη δημιουργία αποτελεσματικών ταξινομητών κειμένου για περιπτώσεις κλάσεων που υπάρχουν πολύ περιορισμένα παραδείγματα εκπαίδευσης.
Η ταξινόμηση κειμένων βασίζεται στην εφαρμογή τεχνικών μηχανικής μάθησης για την εκπαίδευση ενός ταξινομητή από ένα σύνολο εκπαίδευσης. Συχνά για ένα υποσύνολο των πιθανών κλάσεων υπάρχουν πολύ περιορισμένα παραδείγματα εκπαίδευσης. Για να χειριστούν αποτελεσματικά αυτές τις περιπτώσεις έχουν αναπτυχθεί πρόσφατα μέθοδοι few-shot learning που εφαρμόζονται σε προβλήματα ταξινόμησης κειμένων. Ο στόχος της εργασίας είναι να μελετηθούν κατάλληλες τεχνικές αναπαράστασης κειμένου με χρήση προ-εκπαιδευμένων γλωσσικών μοντέλων και να μελετηθούν οι μέθοδοι few-shot learning ώστε να επιτευχθεί ανταγωνιστική επίδοση σε υπάχουσες συλλογές κειμένου.
Τεχνητή Νοημοσύνη
Εξαγωγή Γνώσης από Δεδομένα
Προγραμματισμός σε Python
Shiyao Xu, Yang Xiang, Frog-GNN: Multi-perspective aggregation based graph neural network for few-shot text classification, Expert Systems with Applications, Volume 176,
2021.
Gao, T., Han, X., Zhu, H., Liu, Z., Li, P., Sun, M., & Zhou, J. (2019). FewRel 2.0: Towards more challenging few-shot relation classification. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (pp. 6250–6255).
Yisheng Song, Ting Wang, Subrota K Mondal, Jyoti Prakash Sahoo: A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities, https://arxiv.org/abs/2205.06743