Siirto-oppiminen lauseupotuksilla
Siirto-oppiminen lauseupotuksilla (Transfer Learning with Sentence Embeddings) hyödyntää suurta, valmiiksi koulutettua enkooderia – kuten Sentence-BERT tai Universal Sentence Encoder – joka koodaa yleistä kielitietoa kiinteän mittaisiksi vektoreiksi, ja mukauttaa sen uuteen tehtävään tai aihealueeseen vähäisellä lisämerkityllä datalla. Valmiiksi koulutetut representaatiot antavat etumatkan, joka usein ylittää vaatimattomilla aineistoilla alusta asti koulutettujen tehtäväkohtaisten mallien suorituskyvyn.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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), 3982–3992. link ↗
- Conneau, A., Kiela, D., Schwentz, H., Barrault, L. & Bordes, A. (2017). Supervised Learning of Universal Sentence Representations from Natural Language Inference Data. Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP), 670–680. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/fi/deep-learning/transfer-learning-with-sentence-embeddings
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- BERT-pohjainen luokitteluSyväoppiminen↔ vertaa
- Hienosäädetyt lauseupotuksetSyväoppiminen↔ vertaa
- RoBERTa-pohjainen luokitteluSyväoppiminen↔ vertaa
- LauseupotuksetSyväoppiminen↔ vertaa
- Siirto-oppiminen BERT-pohjaisella luokittelullaSyväoppiminen↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →