Il Metodo ACSESS Automatizza la Selezione dei Campioni per l'Apprendimento Few-Shot nei Modelli di IA

Un nuovo metodo automatizzato chiamato ACSESS (Automatic Combination of SamplE Selection Strategies) è stato sviluppato per migliorare le prestazioni dell'apprendimento few-shot combinando in modo intelligente strategie consolidate di selezione dei campioni. L'approccio affronta una lacuna nella ricerca sui grandi modelli linguistici, che spesso trascurano la selezione dei campioni a favore delle tecniche di apprendimento in-context. I ricercatori hanno valutato 23 diverse strategie di selezione dei campioni su 5 modelli di apprendimento in-context e 3 approcci di apprendimento few-shot, inclusi meta-apprendimento e fine-tuning few-shot. I test hanno coinvolto 6 dataset testuali e 8 dataset di immagini. I risultati sperimentali hanno dimostrato che il metodo ACSESS ha costantemente superato tutte le strategie di selezione individuali e si è comportato in modo competitivo rispetto agli approcci esistenti. La ricerca è stata pubblicata su arXiv con l'identificatore arXiv:2402.03038v2 e tipo di annuncio replace-cross. Il lavoro evidenzia come la selezione strategica dei campioni influisca significativamente sulle prestazioni del modello negli scenari di apprendimento few-shot, dove sono disponibili dati di addestramento limitati. Sfruttando i punti di forza complementari di molteplici obiettivi di selezione consolidati, ACSESS fornisce un framework più robusto per le applicazioni di apprendimento few-shot sia nel dominio testuale che in quello delle immagini.