Semi-supervised Question Answering
Semi-supervised question answering (QA) træner en model på et lille mærket sæt af spørgsmål-svar-par, genererer derefter pseudo-mærker på et stort umærket korpus og gen-træner iterativt. Denne selvtræningsløkke øger dramatisk effektiv træningsdata uden omkostningen ved fuld manuel annotering, hvilket opnår stærk ydeevne på læseforståelse, open-domain QA og maskinlæsningsopgaver.
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
- Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020. link ↗
- Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le, Q. V. (2019). XLNet: Generalized Autoregressive Pretraining for Language Understanding. In Advances in Neural Information Processing Systems (NeurIPS 2019). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/da/deep-learning/semi-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.
- BERT-baseret klassifikationDyb læring↔ compare
- Finjusteret Spørgsmål-SvarDyb læring↔ compare
- Selv-superviseret Spørgsmål-SvarDyb læring↔ compare
- Semi-overvåget BERT-baseret KlassifikationDyb læring↔ compare
- Semi-superviseret TransformerDyb læring↔ compare
- Svagt Overvåget Spørgsmål-SvarDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →