텍스트 데이터의 다중 레이블 분류: 혁신 기술에 대한 검토

본 연구는 혁신 기술 분야에서 다중 레이블 텍스트 분류 기법의 효과를 검토하는 데 초점을 맞추었습니다. bert-base-cased, albert-base-v2, xlm-roberta-base 및 bart-base와 같은 네 가지 다른 변환기 모델을 사용한 실험 결과는 정확도, F1 점수 및 처리 시간과 같은 성능 측면에서 이러한 모델의 성능을 자세히 보여줍니다. 본 연구는 모델 선택에 있어 또 다른 중요한 요소인 정확도와 처리 시간 간의 균형을 강조하여 연구자와 실무자에게 특정 사용 시나리오에 적합한 모델 선택에 대한 유용한 정보를 제공합니다. 연구의 주요 결과는 bert-base-cased가 높은 정확도와 F1 점수를 기록한 반면, xlm-roberta-base는 경쟁력 있는 성능과 향상된 처리 효율성을 보여주었습니다. 이러한 결과는 다중 레이블 텍스트 분류 작업에서 변환기 모델의 성공을 평가하고 이 분야에서의 선택 시 고려해야 할 요소를 밝혀냅니다. 연구는 모델 발견, 미세 조정 전략 개발 및 모델 해석 가능성과 같은 주제에 대한 향후 연구를 안내하는 프레임워크를 제공합니다.