Ταξινόμηση Βασισμένη σε Αυτο-εποπτευόμενο RoBERTa
Η αυτο-εποπτευόμενη ταξινόμηση RoBERTa συνδυάζει τις ισχυρές γλωσσικές αναπαραστάσεις του μετασχηματιστή RoBERTa — που μαθαίνονται από μεγάλα μη επισημασμένα σώματα κειμένων μέσω μοντελοποίησης γλώσσας με μάσκες — με αυτο-εποπτευόμενους στόχους για την εκτέλεση ταξινόμησης κειμένου με λίγα ή καθόλου δεδομένα επισημασμένα από ανθρώπους. Η προσέγγιση αξιοποιεί άφθονο μη επισημασμένο κείμενο για να δημιουργήσει το δικό της σήμα εκπαίδευσης πριν από τη λεπτομερή ρύθμιση (fine-tuning) σε μια εργασία ταξινόμησης κατάντη.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Πηγές
- 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 ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised RoBERTa-based Text Classification. ScholarGate. https://scholargate.app/el/deep-learning/self-supervised-roberta-based-classification
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →