Selv-superviseret Spørgsmål-Svar
Selv-superviseret Spørgsmål-Svar (SSQA) er et træningsparadigme, der automatisk genererer spørgsmål-svar-par fra umærkede tekster — ved hjælp af cloze-oversættelse, span-maskering eller neural spørgsmålsgenerering — til at træne QA-modeller uden menneskedata. Det muliggør læseforståelsessystemer af høj kvalitet, selv når annoterede datasæt er knappe eller domænespecifikke.
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
- Lewis, P., Denoyer, L., & Riedel, S. (2019). Unsupervised Question Answering by Cloze Translation. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 4896–4910. DOI: 10.18653/v1/P19-1484 ↗
- Alberti, C., Andor, D., Pitler, E., Devlin, J., & Collins, M. (2019). Synthetic QA Corpora Generation with Roundtrip Consistency. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 6168–6173. DOI: 10.18653/v1/p19-1620 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Question Answering (SSQA). ScholarGate. https://scholargate.app/da/deep-learning/self-supervised-question-answering
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 →Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →