ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Ülekandeõpe tekstide kokkuvõtmiseks

Ülekandeõpe tekstide kokkuvõtmiseks kohandab laia tekstikorpusena eelnevalt koolitatud suure keelemudeli — nagu T5, BART või PEGASUS — dokumentide lühemateks, sidusateks kokkuvõteteks muutumise ülesandeks. Taaskasutades õpitud keelelist teadmist ja domeenispetsiifiliste allikdokumentide ja viidete kokkuvõtete paaridel täpsustades, saavutab see lähenemisviis tugeva kokkuvõtte kvaliteedi mõõdukate märgistatud andmete nõuetega.

Ava rakenduses MethodMindPeagiVideoPeagiDownload slides

Loe meetodi täielikku kirjeldust

Ainult liikmetele

Selle osa lugemiseks logi sisse tasuta kontoga.

Logi sisse

Method map

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

Allikad

  1. Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140), 1–67. link
  2. Lewis, M., Liu, Y., Goyal, N., Ghahravi, M., Mohamed, A., Chen, D., Levy, O., & Zettlemoyer, L. (2020). BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7871–7880). ACL. DOI: 10.18653/v1/2020.acl-main.703

Kuidas sellele lehele viidata

ScholarGate. (2026, June 3). Transfer Learning with Neural Text Summarization. ScholarGate. https://scholargate.app/et/deep-learning/transfer-learning-with-text-summarization

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

Sellele viitavad

ScholarGateTransfer Learning with Text Summarization (Transfer Learning with Neural Text Summarization). Loetud 2026-06-15 aadressilt https://scholargate.app/et/deep-learning/transfer-learning-with-text-summarization · Andmestik: https://doi.org/10.5281/zenodo.20539026