Svagt Overvåget Spørgsmål-Svar
Svagt overvåget spørgsmål-svar (WS-QA) træner neurale læseforståelsesmodeller ved hjælp af indirekte eller automatisk afledte svar-etiketter frem for dyre menneske-annoterede span-annotationer. Ved at udnytte distant supervision, heuristisk mærkning eller signaler om svar-tilstedeværelse gør WS-QA spørgsmål-svar muligt i domæner og sprog, hvor fuld annotering er upraktisk.
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, C., & Gardner, M. (2018). Simple and Effective Multi-Paragraph Reading Comprehension. In Proceedings of ACL 2018, pp. 845–855. Association for Computational Linguistics. link ↗
- Min, S., Chen, D., Hajishirzi, H., & Zettlemoyer, L. (2019). A Discrete Hard EM Approach for Weakly Supervised Question Answering. In Proceedings of EMNLP-IJCNLP 2019, pp. 2083–2093. Association for Computational Linguistics. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Question Answering. ScholarGate. https://scholargate.app/da/deep-learning/weakly-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
- Domæne-adaptiv SpørgsmålsbesvarelseDyb læring↔ compare
- Finjusteret Spørgsmål-SvarDyb læring↔ compare
- Semi-supervised Question AnsweringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →