Selv-overvåget Transformer
En selv-overvåget Transformer er et Transformer-netværk, der er fortrænet ved hjælp af automatisk konstruerede overvågningssignaler — såsom maskeret token-forudsigelse eller forudsigelse af næste sætning — snarere end menneskeskabte annoteringer. De resulterende repræsentationer finjusteres eller undersøges derefter på efterfølgende opgaver. BERT, GPT og ViT (Vision Transformer i masked-image modeling-tilstand) er de mest kendte instanser af dette paradigme.
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
- 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. DOI: 10.18653/v1/N19-1423 ↗
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Transformer (Pretraining with Self-generated Supervision). ScholarGate. https://scholargate.app/da/deep-learning/self-supervised-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.
- BERT-baseret klassifikationDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- Selvovervåget konvolutionelt neuralt netværkDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →