본 논문은 급증하는 텍스트 데이터의 수동 분류의 어려움을 해결하기 위해, 도메인에 독립적인 강력하고 효율적인 생성 모델 프레임워크 LAGAMC를 제안합니다. 기존의 레이블을 원자적 기호로 취급하는 대신, 미리 정의된 레이블 설명을 활용하여 입력 텍스트를 기반으로 이러한 설명을 생성하도록 모델을 학습시킵니다. 추론 과정에서는 미세 조정된 문장 변환기를 사용하여 생성된 설명을 미리 정의된 레이블과 일치시킵니다. 교차 엔트로피 손실과 생성된 문장과 미리 정의된 대상 설명의 코사인 유사도를 결합한 이중 목적 손실 함수를 통합하여 의미적 정렬과 정확도를 모두 보장합니다. LAGAMC는 매개변수 효율성과 다양한 데이터 세트에 대한 다용성으로 인해 실제 응용 프로그램에 적합합니다. 실험 결과, 평가된 모든 데이터 세트에서 기존 최고 성능을 능가하며, 가장 가까운 기준 모델에 비해 Micro-F1에서 13.94%, Macro-F1에서 24.85% 향상된 성능을 달성했습니다.
