Semi-überwachte BERT-basierte Klassifikation
Die semi-überwachte BERT-basierte Klassifikation stimmt einen vortrainierten BERT-Encoder auf einem kleinen Pool von gelabelten Textbeispielen ab, während sie gleichzeitig eine viel größere Menge ungelabelten Textes – mittels Konsistenztraining, Pseudo-Labeling oder Datenaugmentation – nutzt, um hochwertige Klassifikatoren zu erzeugen, selbst wenn manuelle Annotationen rar sind.
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.
+3 more
Quellen
- Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792. link ↗
- Chen, J., Yang, Z., & Yang, D. (2020). MixText: Linguistically-Informed Interpolation of Hidden Space for Semi-Supervised Text Classification. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 2147–2157. DOI: 10.18653/v1/2020.acl-main.194 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised BERT-based Text Classification. ScholarGate. https://scholargate.app/de/deep-learning/semi-supervised-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 BERT-basierte KlassifikationDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Selbstüberwachte BERT-basierte KlassifikationDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Schwache BERT-basierte KlassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →