लेखकों ने NeuFS प्रस्तावित किया, एक न्यूरॉन-अवेयर एक्टिव फ्यू-शॉट लर्निंग फ्रेमवर्क जो सैंपल चयन को आउटपुट-स्तर प्रॉक्सी से आंतरिक मॉडल गतिशीलता में स्थानांतरित करता है। न्यूरॉन एक्टिवेशन पैटर्न का उपयोग करके, विधि विशिष्ट ज्ञान की कमी को पहचानने और मानव टिप्पणी लागतों को कम करने का लक्ष्य रखती है।
- NeuFS बाहरी एम्बेडिंग्स या पूर्वानुमानित एंट्रॉपी के बजाय न्यूरॉन एक्टिवेशन पैटर्न का उपयोग करके सैंपल्स को सीधे दर्शाता है।
- यह न्यूरॉन पैटर्न के माध्यम से विविधता सुनिश्चित करने और न्यूरॉन सहमति को मात्रात्मक रूप से मापकर जानकारीपूर्ण सैंपल्स को प्राथमिकता देने के लिए द्वि-मानदंड रणनीति का उपयोग करता है।
- तीन डेटासेट पर प्रयोग दिखाते हैं कि तर्क और पाठ वर्गीकरण कार्यों में NeuFS मौजूदा एक्टिव फ्यू-शॉट लर्निंग बेलाइनों को हराता है।
- अबलेशन अध्ययन सत्यापित करते हैं कि आंतरिक न्यूरॉन एक्टिवेशन बाहरी एम्बेडिंग्स की तुलना में अधिक सिद्धांतवादी चयन संकेत प्रदान करते हैं।
फ्रेमवर्क चुनौतीपूर्ण उदाहरणों को पिनपॉइंट करने के लिए मॉडल की आंतरिक स्थिति का लाभ उठाकर फ्यू-शॉट डेमोस्ट्रेशन का चयन करने के लिए अधिक प्रभावी दृष्टिकोण प्रदान करता है।