@inproceedings{xu-etal-2022-detection,
title = "D{\'e}tection d{'}anomalies textuelles {\`a} base de l{'}ing{\'e}nierie d{'}invite (Prompt Engineering-Based Text Anomaly Detection )",
author = "Xu, Yizhou and
G{\'a}bor, Kata and
Khouas, Leila and
Segond, Fr{\'e}d{\'e}rique",
editor = "Est{\`e}ve, Yannick and
Jim{\'e}nez, Tania and
Parcollet, Titouan and
Zanon Boito, Marcely",
booktitle = "Actes de la 29e Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conf{\'e}rence principale",
month = "6",
year = "2022",
address = "Avignon, France",
publisher = "ATALA",
url = "https://aclanthology.org/2022.jeptalnrecital-taln.4",
pages = "42--53",
abstract = "La d{\'e}tection d{'}anomalies textuelles est une t{\^a}che importante de la fouille de textes. Plusieurs approches g{\'e}n{\'e}rales, visant l{'}identification de points de donn{\'e}es aberrants, ont {\'e}t{\'e} appliqu{\'e}s dans ce domaine. N{\'e}anmoins, ces approches exploitent peu les nouvelles avanc{\'e}es du traitement automatique des langues naturelles (TALN). L{'}av{\`e}nement des mod{\`e}les de langage pr{\'e}-entra{\^\i}n{\'e}s comme BERT et GPT-2 a donn{\'e} naissance {\`a} un nouveau paradigme de l{'}apprentissage automatique appel{\'e} ing{\'e}nierie d{'}invite (prompt engineering) qui a montr{\'e} de bonnes performances sur plusieurs t{\^a}ches du TALN. Cet article pr{\'e}sente un travail exploratoire visant {\`a} examiner la possibilit{\'e} de d{\'e}tecter des anomalies textuelles {\`a} l{'}aide de l{'}ing{\'e}nierie d{'}invite. Dans nos exp{\'e}rimentations, nous avons examin{\'e} la performance de diff{\'e}rents mod{\`e}les d{'}invite. Les r{\'e}sultats ont montr{\'e} que l{'}ing{\'e}nierie d{'}invite est une m{\'e}thode prometteuse pour la d{\'e}tection d{'}anomalies textuelles.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="xu-etal-2022-detection">
<titleInfo>
<title>Détection d’anomalies textuelles à base de l’ingénierie d’invite (Prompt Engineering-Based Text Anomaly Detection )</title>
</titleInfo>
<name type="personal">
<namePart type="given">Yizhou</namePart>
<namePart type="family">Xu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Kata</namePart>
<namePart type="family">Gábor</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Leila</namePart>
<namePart type="family">Khouas</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Frédérique</namePart>
<namePart type="family">Segond</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2022-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 29e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale</title>
</titleInfo>
<name type="personal">
<namePart type="given">Yannick</namePart>
<namePart type="family">Estève</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Tania</namePart>
<namePart type="family">Jiménez</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Titouan</namePart>
<namePart type="family">Parcollet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Marcely</namePart>
<namePart type="family">Zanon Boito</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Avignon, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>La détection d’anomalies textuelles est une tâche importante de la fouille de textes. Plusieurs approches générales, visant l’identification de points de données aberrants, ont été appliqués dans ce domaine. Néanmoins, ces approches exploitent peu les nouvelles avancées du traitement automatique des langues naturelles (TALN). L’avènement des modèles de langage pré-entraînés comme BERT et GPT-2 a donné naissance à un nouveau paradigme de l’apprentissage automatique appelé ingénierie d’invite (prompt engineering) qui a montré de bonnes performances sur plusieurs tâches du TALN. Cet article présente un travail exploratoire visant à examiner la possibilité de détecter des anomalies textuelles à l’aide de l’ingénierie d’invite. Dans nos expérimentations, nous avons examiné la performance de différents modèles d’invite. Les résultats ont montré que l’ingénierie d’invite est une méthode prometteuse pour la détection d’anomalies textuelles.</abstract>
<identifier type="citekey">xu-etal-2022-detection</identifier>
<location>
<url>https://aclanthology.org/2022.jeptalnrecital-taln.4</url>
</location>
<part>
<date>2022-6</date>
<extent unit="page">
<start>42</start>
<end>53</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Détection d’anomalies textuelles à base de l’ingénierie d’invite (Prompt Engineering-Based Text Anomaly Detection )
%A Xu, Yizhou
%A Gábor, Kata
%A Khouas, Leila
%A Segond, Frédérique
%Y Estève, Yannick
%Y Jiménez, Tania
%Y Parcollet, Titouan
%Y Zanon Boito, Marcely
%S Actes de la 29e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale
%D 2022
%8 June
%I ATALA
%C Avignon, France
%G French
%F xu-etal-2022-detection
%X La détection d’anomalies textuelles est une tâche importante de la fouille de textes. Plusieurs approches générales, visant l’identification de points de données aberrants, ont été appliqués dans ce domaine. Néanmoins, ces approches exploitent peu les nouvelles avancées du traitement automatique des langues naturelles (TALN). L’avènement des modèles de langage pré-entraînés comme BERT et GPT-2 a donné naissance à un nouveau paradigme de l’apprentissage automatique appelé ingénierie d’invite (prompt engineering) qui a montré de bonnes performances sur plusieurs tâches du TALN. Cet article présente un travail exploratoire visant à examiner la possibilité de détecter des anomalies textuelles à l’aide de l’ingénierie d’invite. Dans nos expérimentations, nous avons examiné la performance de différents modèles d’invite. Les résultats ont montré que l’ingénierie d’invite est une méthode prometteuse pour la détection d’anomalies textuelles.
%U https://aclanthology.org/2022.jeptalnrecital-taln.4
%P 42-53
Markdown (Informal)
[Détection d’anomalies textuelles à base de l’ingénierie d’invite (Prompt Engineering-Based Text Anomaly Detection )](https://aclanthology.org/2022.jeptalnrecital-taln.4) (Xu et al., JEP/TALN/RECITAL 2022)
ACL