Large Language Models for Data Annotation: A Survey

本文是LLM系列文章，针对《Large Language Models for Data Annotation: A Survey》的翻译。

摘要

数据注释是用相关信息对原始数据进行标记或标签，对提高机器学习模型的功效至关重要。然而，这一过程既费力又昂贵。以GPT-4为例的高级大型语言模型（LLM）的出现，为彻底改变和自动化复杂的数据注释过程提供了前所未有的机会。虽然现有的调查广泛涵盖了LLM体系结构、训练和一般应用程序，但本文独特地关注了它们在数据注释中的特定用途。这项调查有助于三个核心方面：基于LLM的数据注释、评估LLM生成的注释和使用LLM生成注释进行学习。此外，本文还对使用LLM进行数据注释的方法进行了深入的分类，全面回顾了使用LLM生成的注释的模型的学习策略，并详细讨论了使用LLMs进行数据注释所面临的主要挑战和局限性。作为一项关键指南，这项调查旨在指导研究人员和从业者探索最新LLM在数据注释方面的潜力，促进这一关键领域的未来发展。我们在提供全面的论文列表https://github.com/Zhen-Tan-dmml/LLM4Annotation.git.

1 引言

2 符号和前言