Transfer Learning mit Satz-Embeddings
Transfer Learning mit Satz-Embeddings nutzt einen großen vortrainierten Encoder – wie Sentence-BERT oder den Universal Sentence Encoder –, der bereits allgemeines Sprachwissen in Vektoren fester Länge kodiert, und passt ihn mit wenig zusätzlichem beschriftetem Datenmaterial an eine neue Aufgabe oder Domäne an. Die vortrainierten Repräsentationen bieten einen Vorsprung, der oft aufgaben-spezifische Modelle übertrifft, die von Grund auf auf bescheidenen Korpora trainiert wurden.
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
- 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. link ↗
- Conneau, A., Kiela, D., Schwentz, H., Barrault, L. & Bordes, A. (2017). Supervised Learning of Universal Sentence Representations from Natural Language Inference Data. Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP), 670–680. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/de/deep-learning/transfer-learning-with-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
- Feinabgestimmte Satz-EinbettungenDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- Transfer Learning mit BERT-basierter KlassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →