🔥 今日值得一读
零样本表格学习新突破：TABHGR+大幅降本，准确率超强少样本基线！
Zero-Shot Tabular Learning via Hypergraph Reasoning with LLMs
👨💼 主理人解读 · 为什么值得关注
无标注表格数据预测时，可用LLM生成规则分组行并做超图推理，比逐行提示更省成本。
📖 AI 总结
该论文针对零样本表格学习提出TABHGR+框架。现有基于大语言模型的方法依赖逐行提示，推理成本高且未充分利用行间依赖关系。TABHGR+利用大语言模型根据列描述和任务描述生成规则，为所有行分配弱标签并按语义相关性对行分组，构建超图；再通过超图上的标签传播修正噪声弱标签，并为超边分配标签自适应权重以优化传播效果。由于所需大语言模型调用次数为常数、与数据集规模无关，该方法显著降低了推理成本，同时在分类准确率上优于零样本及强少样本基线。该工作为零样本表格预测提供了一种高效且关系感知的新思路。
🔑 关键词速览
| 零样本表格学习 | 在没有标注数据的情况下对表格数据进行预测的学习范式。 |
| 大语言模型 | 具有大规模参数和强大语言理解能力的预训练模型，如GPT系列。 |
| 超图 | 一种图结构，其中一条边（超边）可以连接任意数量的节点，用于建模高阶关系。 |
| 标签传播 | 一种半监督学习方法，通过图结构将已知标签传播到未标注节点。 |
| 弱标签 | 由规则或启发式方法生成的噪声标签，不完全准确但可用于训练。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅