Buchumschlag

Single Word Change is All You Need: Using LLMs to Create Synthetic Training Examples for Text Classifiers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Lei, Alnegheimish, Sarah, Berti-Equille, Laure, Cuesta-Infante, Alfredo, Veeramachaneni, Kalyan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Single Word Change Is All You Need: Using LLMs to Create Synthetic Training Examples for Text Classifiers
von: Lei Xu, et al.
Veröffentlicht: (2025)

OrionBench: Benchmarking Time Series Generative Models in the Service of the End-User
von: Alnegheimish, Sarah, et al.
Veröffentlicht: (2023)

Large language models can be zero-shot anomaly detectors for time series?
von: Alnegheimish, Sarah, et al.
Veröffentlicht: (2024)

Explingo: Explaining AI Predictions using Large Language Models
von: Zytek, Alexandra, et al.
Veröffentlicht: (2024)

Prior-Aligned Data Cleaning for Tabular Foundation Models
von: Berti-Equille, Laure
Veröffentlicht: (2026)

CENTS: Generating synthetic electricity consumption time series for rare and unseen scenarios
von: Fuest, Michael, et al.
Veröffentlicht: (2025)

LLMs for XAI: Future Directions for Explaining Explanations
von: Zytek, Alexandra, et al.
Veröffentlicht: (2024)

Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources
von: Mobsite, Sara, et al.
Veröffentlicht: (2025)

Multimodal Learning with Uncertainty Quantification based on Discounted Belief Fusion
von: Bezirganyan, Grigor, et al.
Veröffentlicht: (2024)

LUMA: A Benchmark Dataset for Learning from Uncertain and Multimodal Data
von: Bezirganyan, Grigor, et al.
Veröffentlicht: (2024)

MixMAS: A Framework for Sampling-Based Mixer Architecture Search for Multimodal Fusion and Learning
von: Chergui, Abdelmadjid, et al.
Veröffentlicht: (2024)

Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures
von: Blondin, Célia, et al.
Veröffentlicht: (2024)

All You Need Is Synthetic Task Augmentation
von: Godin, Guillaume
Veröffentlicht: (2025)

Hard Examples Are All You Need: Maximizing GRPO Post-Training Under Annotation Budgets
von: Pikus, Benjamin, et al.
Veröffentlicht: (2025)

Training on the Benchmark Is Not All You Need
von: Ni, Shiwen, et al.
Veröffentlicht: (2024)

Text Is Not All You Need: Multimodal Prompting Helps LLMs Understand Humor
von: Baluja, Ashwin
Veröffentlicht: (2024)

Is Depth All You Need? An Exploration of Iterative Reasoning in LLMs
von: Wu, Zongqian, et al.
Veröffentlicht: (2025)

Modeling Code: Is Text All You Need?
von: Nichols, Daniel, et al.
Veröffentlicht: (2025)

Synthetic Data RL: Task Definition Is All You Need
von: Guo, Yiduo, et al.
Veröffentlicht: (2025)

Intrinsic Fingerprint of LLMs: Continue Training is NOT All You Need to Steal A Model!
von: Yoon, Do-hyeon, et al.
Veröffentlicht: (2025)

Support is All You Need for Certified VAE Training
von: Xu, Changming, et al.
Veröffentlicht: (2025)

Neural Encoding Detection is Not All You Need for Synthetic Speech Detection
von: Cuccovillo, Luca, et al.
Veröffentlicht: (2026)

Designing self-healing ETL pipelines with airflow and databricks
von: Veeramachaneni, Jayanth
Veröffentlicht: (2025)

Harnessing Vision-Language Models for Time Series Anomaly Detection
von: He, Zelin, et al.
Veröffentlicht: (2025)

Text is All You Need for Vision-Language Model Jailbreaking
von: Chen, Yihang, et al.
Veröffentlicht: (2026)

Exchange Is All You Need for Remote Sensing Change Detection
von: Dong, Sijun, et al.
Veröffentlicht: (2026)

Attention Is All You Need for KV Cache in Diffusion LLMs
von: Nguyen-Tri, Quan, et al.
Veröffentlicht: (2025)

Requirements are All You Need: From Requirements to Code with LLMs
von: Wei, Bingyang
Veröffentlicht: (2024)

A Single Image Is All You Need: Zero-Shot Anomaly Localization Without Training Data
von: Moradi, Mehrdad, et al.
Veröffentlicht: (2025)

Attention is All You Need Until You Need Retention
von: Yaslioglu, M. Murat
Veröffentlicht: (2025)

Reformulation is All You Need: Addressing Malicious Text Features in DNNs
von: Jiang, Yi, et al.
Veröffentlicht: (2025)

Architecture is All You Need: Improving LLM Recommenders by Dropping the Text
von: Foley, Kevin, et al.
Veröffentlicht: (2025)

Predictable Emergent Abilities of LLMs: Proxy Tasks Are All You Need
von: Zhang, Bo-Wen, et al.
Veröffentlicht: (2024)

LoRA is All You Need for Safety Alignment of Reasoning LLMs
von: Xue, Yihao, et al.
Veröffentlicht: (2025)

Compositional Generative Modeling: A Single Model is Not All You Need
von: Du, Yilun, et al.
Veröffentlicht: (2024)

Metaheuristics is All You Need
von: Cuicizion, Eliuvish, et al.
Veröffentlicht: (2024)

Intention Is All You Need
von: Sarkar, Advait
Veröffentlicht: (2024)

[MASK] is All You Need
von: Hu, Vincent Tao, et al.
Veröffentlicht: (2024)

Contrast Is All You Need
von: Kilic, Burak, et al.
Veröffentlicht: (2023)

Context is All You Need
von: Delanois, Jean Erik, et al.
Veröffentlicht: (2026)