Semi-overvåget BERT-baseret Klassifikation
Semi-overvåget BERT-baseret klassifikation finjusterer en forudtrænet BERT-encoder på en lille pulje af mærkede tekstenheder, mens den samtidig udnytter en meget større mængde umærkede tekstenheder — via konsistenstræning, pseudo-mærkning eller dataaugmentation — for at producere klassifikatorer af høj kvalitet, selv når manuel annotering er knap.
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.
+3 more
Kilder
- Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792. link ↗
- Chen, J., Yang, Z., & Yang, D. (2020). MixText: Linguistically-Informed Interpolation of Hidden Space for Semi-Supervised Text Classification. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 2147–2157. DOI: 10.18653/v1/2020.acl-main.194 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised BERT-based Text Classification. ScholarGate. https://scholargate.app/da/deep-learning/semi-supervised-bert-based-classification
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
- Finjusteret BERT-baseret klassifikationDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- Selv-overvåget BERT-baseret KlassifikationDyb læring↔ compare
- Semi-superviseret TransformerDyb læring↔ compare
- Svagt superviseret BERT-baseret klassifikationDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →