BoostTaxo：提升式大模型實作的零樣本分類法誘導

BoostTaxo：提升式零樣本分類法誘導

BoostTaxo是一個面向零樣本分類法誘導的提升式大模型框架。輸入一組領域術語後，系統以粗到細的父節點辨識流程構建階層：先以輕量模型快速過濾父節點候選，再由大型模型對候選進行細緻排序與評分，最後融入結構感知特徵校準邊權重，以提升拓撲可靠性。

此外，BoostTaxo整合檢索增強的定義精練與混合候選選取策略，藉以改善泛化與效率。於WordNet、DBLP與SemEval‑Sci三個公開基準上，該方法在零樣本條件下達到優越或相當的結果；消融實驗顯示混合候選選取與結構感知校準對效能有實質貢獻。

作者還探討候選數量對分類品質的影響，並提供代表性案例與失敗分析，說明框架的優勢與限制。

延伸閱讀

• SAGE：基於多代理與工具化證據的可解釋時序異常診斷框架
• Geospatial Awareness Layer（GAL）：以結構化地理證據強化大型語言模型在野火應變的決策
• NORA：為地理資訊科學與空間資料科學打造的領域專門化自動研究代理

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。