# 少サンプル学習

これはSetFitに基づく効率的な少サンプル学習モデルで、テキスト分類タスクに使用されます。sentence-transformers/paraphrase-MiniLM-L6-v2を文埋め込みモデルとして、LogisticRegressionを分類に使用します。

このモデルは、PhoBERT-base-v2を未知のデータセットで微調整したテキスト分類モデルで、評価セットで99.67%の正解率と99.32%のF1値を達成しました。

Rho-1は数学分野に特化した言語モデルで、選択的言語モデリング(SLM)手法を用いて事前学習を行い、数学問題解決の正解率を大幅に向上させました。

sentence-transformers/all-mpnet-base-v2をベースに初期化された文章変換器モデルで、MultiWOZデータセットの少サンプルコンテキスト例検索用に設計されています。

ViTアーキテクチャに基づく画像分類モデルで、ゲーム広告データセットで微調整されました。

FLAN-T5はT5モデルの命令微調整バージョンで、1000以上の追加タスクで微調整され、複数の言語をサポートし、元のT5よりも性能が優れています。

ELECTRAの基礎アーキテクチャに基づいて訓練されたヒンディー語の事前学習言語モデルで、複数のヒンディー語NLPタスクで多言語BERTよりも優れた性能を発揮します。

GPT2アーキテクチャに基づくポーランド語テキスト生成モデルで、ポーランド語NLP分野の空白を埋め、多言語Oscarコーパスで訓練されました。

このモデルはadversarial - paraphrasing - detectorをベースに微調整されたバージョンで、主にテキストの再述タスクに使用されます。

ゼロショットと少サンプルのテキスト分類用に訓練された交差注意自然言語推論モデルです。

T5-baseをベースに微調整したカクテルレシピ生成モデル

RoBERTa-baseモデルをSQuADデータセットで微調整した问答モデルで、読解タスクに適しています。

これはGoogleのViT基礎モデルに基づき、CIFAR10データセットで微調整されたビジュアルTransformerモデルで、画像分類タスクに使用されます。

RoBERTa-baseモデルをベースに、SQuADデータセットでfew-shot微調整を行った问答モデル

roberta-baseをベースにsquadデータセットで微調整された问答モデル

microsoft/deberta-v3-largeをベースに微調整されたテキスト分類モデルで、SST-2データセットで訓練されました。