Domæne-adaptiv Transformer
En Domæne-Adaptiv Transformer (DAT) er en Transformer-baseret model – såsom BERT eller ViT – udvidet med et eksplicit domæne-justeringsobjektiv, så indlærte repræsentationer overføres godt fra et mærket kildedomæne til et andet, ofte umærket, måldomæne. Tilgangen kombinerer Transformers' kraftfulde repræsentationskapacitet med domæne-adaptationsteknikker som adversariel træning eller kontrastiv justering for at minimere domæneskift.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Ni, J., Hernandez Abrego, G., Constant, N., Ma, J., Hall, K., Cer, D., & Yang, Y. (2021). Sentence-T5: Scalable Sentence Encoders from Pre-trained Text-to-Text Models. Findings of ACL 2022. arXiv:2108.08877. link ↗
- Guo, J., Shah, D., & Barzilay, R. (2022). Multi-Source Domain Adaptation with Mixture of Experts. In Proceedings of EMNLP 2018. arXiv:1809.02060. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-Adaptive Transformer (DAT). ScholarGate. https://scholargate.app/da/deep-learning/domain-adaptive-transformer
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.
- OverførselslæringMaskinlæring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →