Selbstüberwachter Transformer
Ein Self-supervised Transformer ist ein Transformer-Netzwerk, das mittels automatisch konstruierter Supervisionssignale – wie Masked Token Prediction oder Next-Sentence Prediction – vortrainiert wird, anstatt menschlich annotierter Labels. Die resultierenden Repräsentationen werden dann für nachgelagerte Aufgaben feinabgestimmt (fine-tuned) oder untersucht (probed). BERT, GPT und ViT (Vision Transformer im Masked-Image-Modeling-Modus) sind die bekanntesten Instanziierungen dieses Paradigmas.
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
- 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 ↗
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Transformer (Pretraining with Self-generated Supervision). ScholarGate. https://scholargate.app/de/deep-learning/self-supervised-transformer
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
- Fine-Tuned TransformerDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Selbstüberwachtes Convolutional Neural NetworkDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →