NLI-based Filtering for Data Augmentation in Topic Classification
Notice bibliographique
Résumé
As manually labelling data can be labour intensive, some research proposes to automatically expand the training data in the hope of improving model's generalization ability, known as data augmentation (DA). In Natural Language Processing (NLP), some recent studies leverage pre-trained language models (PLMs) to generate new training samples and then fine-tune the underlying model to fit for downstream tasks. However, a direct use of such models tend to trigger large discrepancies and most existing post-processing methods do not work well in real-world applications. In this paper, we meet this challenge by adopting the generate-and-filter framework that consists of two phases: a generation phase which uses PLMs to develop new candidate samples without fine-tuning, and a filtering phase that determines which samples are of a better quality and could be included in the augmentation dataset. Another key contributions of our work is to formulate the filtering phase as a natural language inference (NLI) task, which makes it possible to employ sophisticated methods such as auto-encoder-based PLMs to evaluate the importance of the candidate sample. In addition, we investigate the particular choices of models used in this framework, and discuss optimization options. Experiments for the task of topic classification on three public datasets prove the effectiveness of our proposal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».