跨語言功能向量：大型語言模型在情緒辨識中的隱含任務引導與跨語系遷移研究

本研究探討大型語言模型的功能向量（FVs）在跨語言情緒辨識的效能，發現其能捕捉跨語系的任務特徵，不僅能有效提升零樣本學習表現，更能顯著降低運算成本。

Problem

儘管功能向量（FVs）能引導大型語言模型執行特定任務，但其處理語義複雜度高的任務（如情緒辨識）以及在不同語言間的遷移能力仍不明確，現有研究多集中於結構化的上下文學習。

研究團隊採用多語系多標籤情緒辨識作為基準，從來源語言提取功能向量並應用於目標語言。實驗涵蓋了標準與擾動的零樣本環境，藉此測試模型在不提供推論範例的情況下，僅靠功能向量引導任務行為的表現。

實驗顯示應用功能向量能顯著提升跨語言任務表現，證明其捕捉的是與語言無關的任務特徵而非詞彙模式。此外，模型建構功能向量的最佳注意力頭範圍在不同語言間保持一致，能部分取代少樣本學習的效果，同時避免處理多個範例帶來的運算負荷。

此研究證實了功能向量是輕量且具備高度可遷移性的模型適應機制。這為大規模多語系應用提供了低成本且高效的方案，讓開發者無需針對各語系準備大量上下文範例，即可實現精準的語義分類任務。