← EMNLP 各届
EMNLP 2022· Empirical Methods in Natural Language Processing
EMNLP 2022
亮点精读
8 篇 · 获奖 / oral / 高引📈 2.0k 引用
Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?
探究示例在上下文学习中的作用，发现标签空间和输入格式比标签正确性更重要。
💡 揭示了示例选择的关键因素，提升对上下文学习的理解。
arXiv
📈 1.3k 引用
Measuring and Narrowing the Compositionality Gap in Language Models
提出并量化语言模型组合性差距，通过自洽提示缩小差距。
💡 揭示并改进了LM在组合推理上的根本缺陷。
arXiv
📈 1.2k 引用
Red Teaming Language Models with Language Models
提出用语言模型自动生成对抗性测试用例，评估语言模型的安全性。
💡 实现自动化、大规模的红队测试，提升模型安全性评估效率。
arXiv
📈 1.1k 引用
Super-NaturalInstructions: Generalization via Declarative Instructions on 1600+ NLP Tasks
构建包含1600+任务的指令数据集，研究模型通过声明式指令泛化到新任务的能力。
💡 大规模指令数据集推动模型泛化能力研究。
arXiv
📈 1.1k 引用
A Survey on In-context Learning
综述了上下文学习（ICL）的概念、机制、应用和挑战。
💡 全面梳理ICL，为后续研究提供系统参考。
arXiv
📈 977 引用
MedCLIP: Contrastive Learning from Unpaired Medical Images and Text
提出MedCLIP，利用非配对医学图像-文本数据进行对比学习，实现多模态表征。
💡 无需配对数据，降低标注成本，提升医学多模态学习实用性。
arXiv
📈 866 引用
Large Language Models Can Self-Improve
通过自生成训练数据微调，大语言模型无需额外标注即可自我提升。
💡 实现无监督自我改进，降低对人工标注的依赖。
arXiv
📈 563 引用
Transformer Feed-Forward Layers Build Predictions by Promoting Concepts in the Vocabulary Space
发现Transformer前馈层通过将输入表示向词汇空间中的特定概念方向移动来构建预测。
💡 揭示了前馈层在语言模型中的关键作用机制。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点