迁移学习用于少样本停电检测研究

2026年10月20日，arXiv Artificial Intelligence 刊出 Olukunle Owolabi 的研究，探讨在标注数据有限时用迁移学习与语言模型检测停电。研究基于社交媒体推文的平衡数据集开展零样本与少样本实验，发现经典模型优于零样本语言模型，但少样本微调能显著提升后者：在 10% 微调数据下，BERT 达到 81.3% 准确率（提升 15.3%），GPT 达到 74.5%（提升 8.5%）。研究称该结果对数据稀缺场景下的停电分析与定位具有实用意义。目前事件进展仅此一篇主报道，尚无跟进报道或相互矛盾的数字与说法。

AI 根据报道生成 · 40 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。