论文目录3：大模型时代（2023+）
1 instruction tuning & in context learning
| 论文名称 | 来源 | 主要内容 |
| Finetuned Language Models Are Zero-Shot Learners | 2021 | 机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 早期做instruction tuning的work |
| MetaICL: Learning to Learn In Context | 2021 | 机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 in-context learning都是没有finetune过程，这里相当于finetune了一下 |
| Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? | 2023 | 机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 在in-context learning的时候，故意给一些错误的例子、其他领域的返利，看看大模型的效果 ——>这篇论文的结论是，in-context learning只起到“唤醒”的作用，LLM本身就具备了所需要的功能。这里给LLM范例的作用只是提示LLM要做这个任务了 |
| Larger language models do in-context learning differently | 2023 | 机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 在更大的LLM中，in context learning 确实也起到了让模型学习的作用 |
2 Chain of Thought
| 论文名称 | 来源 | 主要内容 |
| Chain-of-Thought Prompting Elicits Reasoning in Large Language Models | 2022 |
机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 |
| Large Language Models are Zero-Shot Reasoners | 2022 | 在进行CoT的时候，范例输完了，需要模型回答的问题说完了，加一行’Let's think step by step'，可以获得更好的效果 机器学习笔记：李宏毅ChatGPT Finetune VS Prompt_UQI-LIUWJ的博客-CSDN博客 |
3 others
| Is ChatGPT A Good Translator? A Preliminary Study | 2023 |
专项翻译任务上，ChatGPT不如一些专门做翻译的模型 |
| How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation | 2023 |
专项翻译任务上，ChatGPT不如一些专门做翻译的模型 |
4 大模型+时间序列
| 论文名称 | 来源 | 主要内容 |
| 论文笔记： One Fits All:Power General Time Series Analysis by Pretrained LM_UQI-LIUWJ的博客-CSDN博客 | 2023 |
|
| 论文笔记：TEST: Text Prototype Aligned Embedding to ActivateLLM’s Ability for Time Series_UQI-LIUWJ的博客-CSDN博客 | 2023 |
对比学习学习时间序列token的embedding，然后将时间序列token的embedding和文本token的embedding进行对齐，并利用soft prompting进行后续大模型训练 |
| 论文笔记：TimeGPT-1-CSDN博客 |
时间序列的第一个基础大模型 |
5 mobility+大模型
| 论文笔记：Large Language Models as Urban Residents:An LLM Agent Framework for Personal Mobility Generati-CSDN博客 | LLM+轨迹生成 li'yong 大模型（不train直接使用），得到用户在某一天的pattern（通用mobility）和motivation（短期的mobility），生成相应的轨迹 |
