Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MAPLE: Many-Shot Adaptive Pseudo-Labeling for In-Context Learning

Created by
  • Haebom

저자

Zihan Chen, Song Wang, Zhen Tan, Jundong Li, Cong Shen

개요

본 논문은 대규모 언어 모델(LLM)의 컨텍스트 학습(ICL)에서 많은 수의 예시(many-shot ICL)를 사용하는 방법의 효율성을 높이기 위한 새로운 프레임워크인 MAPLE(Many-Shot Adaptive Pseudo-LabEling)을 제안합니다. 기존 many-shot ICL은 많은 양의 라벨링된 데이터가 필요하다는 단점이 있는데, MAPLE은 영향력이 큰 비표지 데이터를 선택하여 LLM으로 의사 라벨링을 수행하고, 이를 테스트 쿼리에 적용하여 성능을 향상시킵니다. 실제 데이터셋을 이용한 실험을 통해 제한된 라벨링 데이터로도 LLM의 적응력과 성능을 향상시킬 수 있음을 보여줍니다.

시사점, 한계점

시사점:
제한된 라벨링 데이터를 사용하여 many-shot ICL의 성능을 향상시키는 효과적인 방법 제시.
LLM의 적응력 향상 및 비용 효율적인 many-shot ICL 구현 가능성 제시.
의사 라벨링을 효과적으로 활용하는 새로운 접근 방식 제안.
한계점:
LLM의 의사 라벨링 정확도에 따라 성능이 영향을 받을 수 있음.
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
특정 데이터셋에 대한 실험 결과이므로 다른 데이터셋에 대한 일반화 가능성 검증 필요.
👍