本研究提出了TARDiS，一种基于大语言模型的文本增强技术，旨在解决少量样本文本分类的问题。实验结果表明，TARDiS在多样性和可分性方面优于现有方法，具有重要的应用潜力。

本研究提出了一种文本增强方法（TECO），旨在解决多模态意图识别中的文本特征提取和模态融合问题，通过提取知识关系来提升文本上下文信息，从而显著提高性能。

本研究提出了一种基于提示工程的文本增强方法，用于语言查询音频源分离任务。实验结果显示，使用增强字幕训练的模型在验证集上表现更好。该研究突出了基于语言模型的字幕增强对推动语言查询音频源分离的有效性。

本文介绍了利用 ChatGPT 进行情感分析的文本增强解决方案，通过生成合成训练数据提高了小型模型的性能，降低了计算成本和推理时间，取得了重要进展。

研究发现，将专业知识嵌入到Llama 2 Large Language Model（LLM）中需要多角度阅读文本，并进行文本增强和超参数优化。研究构建了一个包含65,000篇科学论文的数据集，但也凸显了将专业信息整合到LLM中的复杂性和局限性。

研究发现，将专业知识嵌入到Llama 2 Large Language Model（LLM）中需要多角度阅读文本，并进行文本增强和超参数优化。研究构建了一个包含65,000篇科学论文的数据集，但也凸显了将专业信息整合到LLM中的复杂性和局限性。

研究者通过额外训练将专业科学知识嵌入到Llama 2 Large Language Model（LLM）中。研究结果显示，有效的知识整合需要多角度阅读文本并利用文本增强来解决专业文本稀缺问题。超参数优化对不同尺寸的模型（7b、13b和70b）的额外训练至关重要。研究者构建了一个包含65,000篇科学论文的数据集，并指出将专业信息整合到LLM中的复杂性和局限性，提出了进一步改进的领域。