Semi-supervised Question Answering
Semi-supervisedes Frage-Antwort-Systemtraining (QA) trainiert ein Modell auf einem kleinen Satz von gelabelten Frage-Antwort-Paaren, generiert dann Pseudolabel auf einem großen unbeschrifteten Korpus und trainiert iterativ neu. Diese Selbsttrainingsschleife erhöht die effektiven Trainingsdaten dramatisch, ohne die Kosten einer vollständigen manuellen Annotation, und erzielt starke Leistungen bei Leseverständnis, domänenübergreifenden QA-Aufgaben und maschinellen Lesefähigkeiten.
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
- Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020. link ↗
- Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le, Q. V. (2019). XLNet: Generalized Autoregressive Pretraining for Language Understanding. In Advances in Neural Information Processing Systems (NeurIPS 2019). link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/de/deep-learning/semi-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-basierte KlassifikationDeep Learning↔ compare
- Fine-Tuned Question AnsweringDeep Learning↔ compare
- Selbstüberwachtes Question AnsweringDeep Learning↔ compare
- Semi-überwachte BERT-basierte KlassifikationDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Weakly supervised question answeringDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →