Detail publikace
Transferability and Stability of Learning With Limited Labelled Data in Multilingual Text Domain
Umělá inteligence, klasifikace (informací), procesování textu
Použití přístupů učení s omezenými štítkovými daty ke zlepšení výkonu ve vícejazyčných doménách, kde je malé množství štítků rozptýleno mezi jazyky a úkoly, vyžaduje znát přenositelnost těchto přístupů na nové datové sady a úkoly. Nižší dostupnost dat však způsobuje, že učení s omezenými označenými daty je nestabilní, což vede k náhodnosti, která znehodnocuje vyšetřování, když se nebere v úvahu. Nicméně předchozí studie, které provádějí benchmarking a zkoumání takových přístupů, většinou ignorují účinky náhodnosti. V naší práci to chceme napravit zkoumáním stability a přenositelnosti pro efektivní použití ve vícejazyčných doménách se specifickými vlastnostmi.
@INPROCEEDINGS{FITPUB12690, author = "Branislav Pecher and Ivan Srba and M\'{a}ria Bielikov\'{a}", title = "Transferability and Stability of Learning With Limited Labelled Data in Multilingual Text Domain", pages = "5869--5870", booktitle = "Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence Doctoral Consortium", year = 2022, location = "Vienna, AT", publisher = "International Joint Conferences on Artificial Intelligence", ISBN = "978-1-956792-00-3", doi = "10.24963/ijcai.2022/837", language = "english", url = "https://www.fit.vut.cz/research/publication/12690" }