Schwach überwachte Satz-Einbettungen
Schwache überwachter Satz-Einbettungen trainieren dichte Satzrepräsentationen unter Verwendung von verrauschten, heuristischen oder programmatisch generierten Labels anstelle kostspieliger menschlicher Annotation. Labeling Functions (LF) – Regeln, entfernte Überwachungssignale oder leichtgewichtige Klassifikatoren – liefern eine ungefähre Überwachung, die ein Label-Modell zu probabilistischen Labels aggregiert, welche dann den Satz-Encoder anleiten, auf Skalenniveau aufgabennützliche Repräsentationen zu erzeugen.
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
- Ratner, A., De Sa, C., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- 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). DOI: 10.18653/v1/D19-1410 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Sentence Embeddings. ScholarGate. https://scholargate.app/de/deep-learning/weakly-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 Satz-EinbettungenDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- Transfer Learning mit Satz-EmbeddingsDeep Learning↔ compare
- Schwache BERT-basierte KlassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →