ScholarGate
Βοηθός
Machine learningDeep learning / NLP / CV

Ταξινόμηση Βασισμένη σε RoBERTa Προσαρμοσμένη στον Τομέα

Η ταξινόμηση βασισμένη σε RoBERTa προσαρμοσμένη στον τομέα επεκτείνει τον μετασχηματιστή RoBERTa, συνεχίζοντας πρώτα την προεκπαίδευσή του με μοντέλο κρυμμένης γλώσσας σε ένα σώμα κειμένων ειδικού τομέα, πριν από τη λεπτομερή ρύθμιση για μια εργασία ταξινόμησης. Αυτή η δισταδιακή προσαρμογή γεφυρώνει το χάσμα μεταξύ γενικών δεδομένων εκπαίδευσης που έχουν αντληθεί από τον ιστό και εξειδικευμένων πεδίων, όπως κείμενα βιοϊατρικής, νομικής ή επιστημονικής φύσης, υπεραποδίδοντας σταθερά σε σχέση με την τυπική λεπτομερή ρύθμιση του RoBERTa όταν είναι διαθέσιμο κείμενο του πεδίου-στόχου.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692. link
  2. Gururangan, S., Marasovic, A., Swayamdipta, S., Lo, K., Beltagy, I., Downey, D., & Smith, N. A. (2020). Don't Stop Pretraining: Adapt Language Models to Domains and Tasks. In Proceedings of ACL 2020, pp. 8342–8360. DOI: 10.18653/v1/2020.acl-main.740

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Domain-Adaptive RoBERTa-based Text Classification. ScholarGate. https://scholargate.app/el/deep-learning/domain-adaptive-roberta-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.

Compare side by side
ScholarGateDomain-adaptive RoBERTa-based Classification (Domain-Adaptive RoBERTa-based Text Classification). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/domain-adaptive-roberta-based-classification · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026