ScholarGate
Asistent
Machine learningDeep learning / NLP / CV

Přenosové učení s sumarizací textu

Přenosové učení s sumarizací textu adaptuje velký jazykový model předtrénovaný na širokých textových korpusech – jako T5, BART nebo PEGASUS – na úlohu kondenzace dokumentů do kratších, koherentních souhrnů. Opětovným využitím naučených lingvistických znalostí a doladěním na párech zdrojových dokumentů a referenčních souhrnů specifických pro danou doménu dosahuje tento přístup silné kvality sumarizace s mírnými požadavky na označená data.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

Zdroje

  1. Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140), 1–67. link
  2. Lewis, M., Liu, Y., Goyal, N., Ghahravi, M., Mohamed, A., Chen, D., Levy, O., & Zettlemoyer, L. (2020). BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7871–7880). ACL. DOI: 10.18653/v1/2020.acl-main.703

Jak citovat tuto stránku

ScholarGate. (2026, June 3). Transfer Learning with Neural Text Summarization. ScholarGate. https://scholargate.app/cs/deep-learning/transfer-learning-with-text-summarization

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Odkazuje sem

ScholarGateTransfer Learning with Text Summarization (Transfer Learning with Neural Text Summarization). Získáno 2026-06-15 z https://scholargate.app/cs/deep-learning/transfer-learning-with-text-summarization · Datová sada: https://doi.org/10.5281/zenodo.20539026