T5 (Text-to-Text Transfer Transformer)
T5 is a unified sequence-to-sequence deep learning framework introduced by Raffel et al. at Google Brain in 2020, published in the Journal of Machine Learning Research (Vol. 21, No. 140). It reframes every NLP task — classification, translation, summarisation, question answering, and more — as a text-to-text problem: both input and output are always character strings, enabling a single encoder-decoder Transformer to be pre-trained once and fine-tuned across tasks with a consistent interface. T5 introduced span-corruption pre-training and the C4 corpus, and its largest variant (11B parameters) achieved state-of-the-art results across a wide range of NLP benchmarks at the time of publication.
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- 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. · URL
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is All You Need. Advances in Neural Information Processing Systems, 30. · URL
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. · URL
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.