Feinabgestimmte BERT-basierte Klassifikation
Feinabgestimmte BERT-basierte Klassifikation passt einen vortrainierten BERT-Transformer durch Hinzufügen einer leichten Ausgabeschicht und fortgesetztes gradientenbasiertes Training auf beschrifteten Beispielen an eine spezifische Textklassifikationsaufgabe an. Sie erzielt durchweg eine nahezu hochmoderne Genauigkeit bei Sentimentanalyse, Themenkategorisierung, Absichtserkennung und anderen NLP-Klassifikationsaufgaben mit relativ kleinen beschrifteten Datensätzen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Quellen
- 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 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text Classification? Proceedings of CCL 2019, LNCS 11856, 194–206. DOI: 10.1007/978-3-030-32381-3_16 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fine-Tuned BERT-based Text Classification. ScholarGate. https://scholargate.app/de/deep-learning/fine-tuned-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-basierte KlassifikationDeep Learning↔ compare
- Feinabgestimmte RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Fine-Tuned TransformerDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →