Selbstüberwachte Satz-Einbettungen
Selbstüberwachte Satz-Einbettungen trainieren einen neuronalen Encoder, um Sätze in einen dichten Vektorraum abzubilden, ohne manuell gelabelte Paare zu benötigen. Durch die automatische Konstruktion von positiven Beispielen – beispielsweise durch zweimaliges Durchlaufen desselben Satzes mit Dropout – und die Verwendung von kontrastiven Zielfunktionen lernt das Modell semantisch reiche Repräsentationen, die gut auf Ähnlichkeits-, Retrieval- und Klassifikationsaufgaben übertragen werden.
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.
Quellen
- Gao, T., Yao, X., & Chen, D. (2021). SimCSE: Simple Contrastive Learning of Sentence Embeddings. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6894–6910. DOI: 10.18653/v1/2021.emnlp-main.552 ↗
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3982–3992. DOI: 10.18653/v1/D19-1410 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Learning for Sentence Embeddings. ScholarGate. https://scholargate.app/de/deep-learning/self-supervised-sentence-embeddings
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
- Selbstüberwachte BERT-basierte KlassifikationDeep Learning↔ compare
- Selbstüberwachter TransformerDeep Learning↔ compare
- Semi-überwachte Satz-EinbettungenDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →