Large Language Model Enhanced Machine Learning Estimators for Classification

本文研究了预训练的大型语言模型(LLM)在模拟各种情境和根据特定指令和多模态输入生成输出方面的强大功能。我们分析了将LLM用于增强传统监督机器学习分类方法的具体用途。我们提出了几种方法来将LLM集成到传统机器学习估计器中，以进一步提高预测性能。我们通过标准监督学习二元分类任务和迁移学习任务来检验所提出方法的性能，其中测试数据相对于训练数据发生了分布变化。我们进行了四个公开数据集的数值实验，结果表明，使用LLM来增强传统机器学习估计器可以显著提高预测性能。

论文试图通过将大型语言模型（LLM）与经典的监督机器学习方法相结合，提高分类问题的预测性能。

论文提出了几种将LLM集成到经典机器学习估计器中的方法，以进一步提高预测性能。

论文使用四个公开数据集进行了数值实验，并表明使用LLM来增强经典机器学习估计器可以显著提高预测性能。

最近的相关研究包括使用LLM进行自然语言处理和图像生成等任务的研究，例如《GPT-3》和《CLIP》等。