表格数据任务的自动提示生成系统
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文探讨了利用大型语言模型（LLMs）生成合成数据以解决分类不平衡问题的方法。通过聚类选择和新颖的分组提示，研究验证了该方法在多个真实数据集上的有效性，显著提升了分类和回归任务的性能。同时，研究展示了自动提示生成在自然语言处理中的潜力，强调了自动化提示设计的重要性。
🔎
延伸解读
自动化提示生成如何提升表格任务性能
文章指出，自动提示生成通过聚类训练数据、生成候选提示、训练评估器并在测试时选择最佳提示，克服了手动设计提示的挑战。这种方法在零样本问答数据集上表现出竞争性性能，并展示了自动化提示设计对充分利用大型语言模型能力的重要性。
合成数据与分组提示解决分类不平衡
针对分类不平衡问题，研究利用大型语言模型生成合成数据，采用新颖的分组提示方法，并利用上下文学习能力生成满足目标数据集要求和特征的数据。通过随机词替换策略，提高了处理单调分类值的准确性和代表性，在八个真实公共数据集上验证了有效性。
聚类选择在提示数据选择中的优势
文章提到，以聚类选择为基础的提示技术能确定在大型语言模型提示中包含多少数据以及选择哪些数据。实验表明，模型性能对提示中传递的数据量敏感，对于输入表中存在大量语法变化的任务，聚类选择技术优于随机选择基准模型。
❓
Q&A
如何利用大型语言模型解决分类不平衡问题？
通过生成合成数据和使用新颖的分组提示方法，利用LLMs的上下文学习能力来满足目标数据集的要求。
该研究在真实数据集上的验证结果如何？
研究在八个真实公共数据集上验证了方法的有效性，显著提升了分类和回归任务的性能。
自动提示生成在自然语言处理中的潜力是什么？
自动提示生成可以提高提示设计的效率，并为自然语言处理任务提供无参数的替代方法。
聚类选择技术在提示生成中的作用是什么？
聚类选择技术用于确定在LLMs提示中包含的数据量，并优于随机选择基准模型。
该研究如何提高特征间的相关性？
通过生成合成数据时保持特征间的相关性，确保数据的准确性和代表性。
自动化提示设计的重要性是什么？
自动化提示设计能够充分利用LLMs的能力，提高任务的处理效率和准确性。
🏷️
