Machine learningDeep learning / NLP / CV

طبقه‌بندی مبتنی بر RoBERTa چندزبانه

طبقه‌بندی مبتنی بر RoBERTa چندزبانه از XLM-RoBERTa — یک ترنسفورمر که بر روی بیش از ۱۰۰ زبان از طریق مدل‌سازی زبان پوشانده (masked language modeling) پیش‌آموزش دیده است — استفاده می‌کند و آن را بر روی متن برچسب‌دار تنظیم دقیق (fine-tune) می‌کند تا دسته‌بندی‌ها را در زبان‌های مختلف تخصیص دهد. با اشتراک‌گذاری یک مدل واحد در بین زبان‌ها، طبقه‌بندی متن چندزبانه قوی و طبقه‌بندی متن با انتقال صفر-شات (zero-shot) را بدون نیاز به طبقه‌بندی‌کننده‌های جداگانه برای هر زبان امکان‌پذیر می‌سازد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

منابع

  1. Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 8440–8451. DOI: 10.18653/v1/2020.acl-main.747
  2. 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

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Multilingual RoBERTa-based Text Classification (XLM-RoBERTa). ScholarGate. https://scholargate.app/fa/deep-learning/multilingual-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

ارجاع‌شده در

ScholarGateMultilingual RoBERTa-based Classification (Multilingual RoBERTa-based Text Classification (XLM-RoBERTa)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/deep-learning/multilingual-roberta-based-classification · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026