Machine learningDeep learning / NLP / CV

Siirto-oppiminen tekstin tiivistämisessä

Siirto-oppiminen tekstin tiivistämisessä mukauttaa laajan kielimallin, joka on esikoulutettu laajalla tekstiaineistolla – kuten T5, BART tai PEGASUS – dokumenttien lyhyemmiksi, yhtenäisiksi tiivistelmiksi muokkaamiseen. Uudelleenkäyttämällä opittua kielellistä tietoa ja hienosäätämällä alakohtaisilla lähde-dokumentti- ja vertailutiivistelmäpareilla tämä lähestymistapa saavuttaa vahvan tiivistämislaadun vaatimattomilla merkityillä datatarpeilla.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Lähteet

  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

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Transfer Learning with Neural Text Summarization. ScholarGate. https://scholargate.app/fi/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

Tähän viittaavat

ScholarGateTransfer Learning with Text Summarization (Transfer Learning with Neural Text Summarization). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/deep-learning/transfer-learning-with-text-summarization · Aineisto: https://doi.org/10.5281/zenodo.20539026