Semi-überwachte Satz-Einbettungen
Semi-überwachte Satz-Einbettungen kombinieren eine kleine Menge gelabelter Satzpaare mit großen Mengen ungelabelten Textes, um dichte Vektorrepräsentationen von Sätzen zu trainieren. Durch die Nutzung reichlich vorhandener ungelabelter Daten mittels kontrastiver Ziele oder Pseudo-Labeling erzeugen diese Modelle qualitativ hochwertige Einbettungen für semantische Ähnlichkeit, Retrieval und Klassifizierung, selbst wenn annotierte Daten knapp 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.
Quellen
- Gao, T., Yao, X., & Chen, D. (2021). SimCSE: Simple Contrastive Learning of Sentence Embeddings. In Proceedings of EMNLP 2021 (pp. 6894–6910). Association for Computational Linguistics. DOI: 10.18653/v1/2021.emnlp-main.552 ↗
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. In Proceedings of EMNLP-IJCNLP 2019 (pp. 3982–3992). Association for Computational Linguistics. DOI: 10.18653/v1/D19-1410 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Sentence Embeddings (Contrastive and Self-training Approaches). ScholarGate. https://scholargate.app/de/deep-learning/semi-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 Satz-EinbettungenDeep Learning↔ compare
- Semi-überwachte BERT-basierte KlassifikationDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →