ترجمه فارسی مقاله همجوشی با هدایت Automl از نمایندگی های مبتنی بر LLM و LLM

چکیده

Large semantic knowledge bases are grounded in factual knowledge. However, recent approaches to dense text representations (embeddings) do not efficiently exploit these resources. Dense and robust representations of documents are essential for effectively solving downstream classification and retrieval tasks. This work demonstrates that injecting embedded information from knowledge bases can augment the performance of contemporary Large Language Model (LLM)-based representations for the task of text classification. Further, by considering automated machine learning (AutoML) with the fused representation space, we demonstrate it is possible to improve classification accuracy even if we use low-dimensional projections of the original representation space obtained via efficient matrix factorization. This result shows that significantly faster classifiers can be achieved with minimal or no loss in predictive performance, as demonstrated using five strong LLM baselines on six diverse real-life datasets.

چکیده به فارسی (ترجمه ماشینی)

پایگاههای بزرگ دانش معنایی در دانش واقعی پایه گذاری شده است.با این حال ، رویکردهای اخیر در مورد بازنمایی متن متراکم (تعبیه) به طور مؤثر از این منابع سوء استفاده نمی کنند.بازنمایی های متراکم و قوی از اسناد برای حل مؤثر طبقه بندی پایین دست و کارهای بازیابی ضروری است.این کار نشان می دهد که تزریق اطلاعات تعبیه شده از پایگاه های دانش می تواند عملکردهای مبتنی بر مدل زبان بزرگ معاصر (LLM) را برای کار طبقه بندی متن تقویت کند.علاوه بر این ، با در نظر گرفتن یادگیری خودکار ماشین (AUTOML) با فضای بازنمایی ذوب شده ، ما نشان می دهیم که می توان دقت طبقه بندی را بهبود بخشید ، حتی اگر از پیش بینی های کم بعدی از فضای بازنمایی اصلی به دست آمده از طریق فاکتورسازی ماتریس کارآمد استفاده کنیم.این نتیجه نشان می دهد که طبقه بندی کننده های به طور قابل توجهی سریعتر می توانند با حداقل یا ضرر در عملکرد پیش بینی حاصل شوند ، همانطور که با استفاده از پنج خط پایه LLM قوی در شش مجموعه داده واقعی زندگی نشان داده شده است.