재난 관리 맥락에서 LLM 가이드 반지도 학습 방법을 위기 관련 트윗 분류에 최초로 실증적으로 평가한 연구다. LG-CoTrain이 클래스당 5·10·25개의 레이블 예시만으로 기존 반지도 학습 방식을 크게 능가하는 Macro F1을 달성했으며, VerifyMatch는 강력한 교정 특성을 보였다. 레이블 예시가 늘어남에 따라 성능 격차가 줄어들고 Self Training이 부상하며, 일부 경우 소형 반지도 모델이 대형 LLM의 제로샷 성능을 넘어서 실용적 재난 대응 경로를 제시했다.
- •LG-CoTrain은 클래스당 5~25개의 소수 레이블만으로 기존 반지도 학습을 능가한다
- •VerifyMatch는 경쟁력 있는 성능과 강력한 교정 특성을 동시에 보여준다
- •레이블 데이터가 늘어나면 Self Training이 강력한 기준선으로 부상한다
- •소형 반지도 모델이 일부 경우 대형 LLM의 제로샷 성능을 능가하는 실용적 체로를 입증한다
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
LLM-guided Semi-Supervised Approaches for Social Media Crisis Data Classification
- 1.LLM 기반 반지도학습 LG-CoTrain이 클래스당 5·10·25개 레이블로 재해 트윗 분류 최고 성능 달성
- 2.VerifyMatch는 LG-CoTrain과 경쟁적 성능을 유지하면서도 우수한 보정(calibration) 특성 확인
- 3.소형 반지도 모델이 일부 경우 제로샷 대형 LLM을 능가, 소규모 모델로 지식 전이 가능성 입증
왜 중요한가?
재해 대응 실시간 소셜미디어 분석에서 레이블 비용을 최소화하면서 높은 성능을 달성하는 방법을 제시하며, LLM 지식을 경량 모델에 이전하는 실용적 경로를 확인했다.
언급 프로젝트
본문 미리보기
arXiv:2605.08448v1 Announce Type: new Abstract: Semi-supervised learning approaches have been investigated as a means to enhance the analysis of social media data in disaster management contexts. In this work, we present the first empirical evaluation of large language model (LLM) guided semi-supervised learning for crisis related tweet classification. We compare two recent LLM assisted semi-supervised methods, VerifyMatch and LLM guided Co-Training ( LG-CoTrain), against established semi-super
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
