标签
本文提出了dLLM-SetScore，一个使用离散掩码扩散语言模型进行多标签文本分类的免训练框架，仅需少量验证数据即可达到竞争性能。
Liquid AI 对其 LFM2.5-Encoder 模型（230M 和 350M）进行了微调，使其能够在单次前向传播中执行多标签分类，无需解码循环或解析。这展示了在 NLP 任务中进行高效标签评分的潜力。
提出了一种深度神经模型，结合多层时序卷积网络和标签级注意力用于医疗编码，在F1和召回率分数上相比先前最先进模型取得了显著提升。
本文提出一个可复现的流水线，利用精选金标数据集将CVE映射到MITRE ATT&CK技术，并探讨了使用LLM辅助标注扩展训练数据的局限性，发现LLM生成的标签由于评估噪声和标签质量问题无法可靠提升性能。
本文探讨了机器学习方法（包括基于编码器的模型和微调的大型语言模型）在大型文学语料库自动主题索引中的应用，以伏尔泰全集为测试案例。最佳模型的F1得分高达0.67，为大型文学和历史版本的结构化访问提供了启示。
本文介绍了UCSC NLP在SemEval-2026 Task 10（PsyCoMark）中使用的系统，针对阴谋论标记提取采用了基于边界感知的跨度抽取与RoBERTa，以及文档级别的阴谋论分类（含标签平滑）。该系统在子任务1中排名第7，在子任务2中排名第12。
本文介绍了CaresAI在SMM4H-HeaRD 2026共享任务上的方法，该任务利用多种嵌入和分类器从病理报告中预测TNM分期，取得了强劲结果，但也指出了泛化问题。
本文将从自然语言提示出发的智能体路由形式化为集合值预测问题，引入了一个源自WildChat的基准测试，包含3000个提示，覆盖12个智能体的固定目录，并评估了包括有监督分类器和成本感知路由在内的多种方法，以研究精度与成本之间的权衡。
本文提出了首个用于通路引导的治疗反应建模的统一基准，评估了三种生物学信息驱动的架构（BINN、GraphPath、PATH），在来自癌症基因组图谱的五个癌症队列上，对靶向治疗、放射治疗和生存结局进行多标签预测。
本文研究了推理模型如何在数百万候选标签上进行零样本多标签分类。作者刻画了一个由候选筛选和细粒度推理组成的两阶段过程，并提出了一种机制蒸馏方法，在将能力迁移到较小模型时优于标准蒸馏。