Bitte benutzen Sie diese Referenz, um auf diese Ressource zu verweisen:
Volltext verfügbar? / Dokumentlieferung
doi:10.22028/D291-42312
Titel: | Revisiting Sample Size Determination in Natural Language Understanding |
VerfasserIn: | Chang, Ernie Hassan Rashid, Muhammad Lin, Pin-Jie Zhao, Changsheng Demberg, Vera Shi, Yangyang Chandra, Vikas |
HerausgeberIn: | Rogers, Anna |
Sprache: | Englisch |
Titel: | Findings of the Association for Computational Linguistics: ACL 2023 : July 9-14, 2023 : ACL 2023 |
Seiten: | 6716-6724 |
Verlag/Plattform: | ACL |
Erscheinungsjahr: | 2023 |
Erscheinungsort: | Stroudsburg, PA |
Konferenzort: | Toronto, Canada |
DDC-Sachgruppe: | 004 Informatik 400 Sprache, Linguistik |
Dokumenttyp: | Konferenzbeitrag (in einem Konferenzband / InProceedings erschienener Beitrag) |
Abstract: | Knowing exactly how many data points need to be labeled to achieve a certain model performance is a hugely beneficial step towards reducing the overall budgets for annotation. It pertains to both active learning and traditional data annotation, and is particularly beneficial for low resource scenarios. Nevertheless, it remains a largely under-explored area of research in NLP. We therefore explored various techniques for estimating the training sample size necessary to achieve a targeted performance value. We derived a simple yet effective approach to predict the maximum achievable model performance based on small amount of training samples - which serves as an early indicator during data annotation for data quality and sample size determination. We performed ablation studies on four language understanding tasks, and showed that the proposed approach allows us to forecast model performance within a small margin of mean absolute error (~ 0.9%) with only 10% data. |
Link zu diesem Datensatz: | urn:nbn:de:bsz:291--ds-423120 hdl:20.500.11880/37984 http://dx.doi.org/10.22028/D291-42312 |
ISBN: | 978-1-959429-62-3 |
Datum des Eintrags: | 1-Jul-2024 |
Fakultät: | MI - Fakultät für Mathematik und Informatik |
Fachrichtung: | MI - Informatik |
Professur: | MI - Prof. Dr. Vera Demberg |
Sammlung: | SciDok - Der Wissenschaftsserver der Universität des Saarlandes |
Dateien zu diesem Datensatz:
Es gibt keine Dateien zu dieser Ressource.
Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.