Metodin todisteiden tietue
Fine-Tuned Text Summarization
Fine-Tuned Text Summarization adapts a large pre-trained sequence-to-sequence model — such as BART, T5, or PEGASUS — to generate concise summaries of documents by training on domain-specific (document, summary) pairs. The approach yields substantially more fluent and faithful summaries than extractive or generic approaches by leveraging knowledge encoded in billions of pre-training tokens.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization
Taksonominen metoditietue · ml-model / deep-learning
- Zhang, J., Zhao, Y., Saleh, M., & Liu, P. J. (2020). PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 11328–11339. · URL
- Lewis, M., Liu, Y., Goyal, N., Ghazvininejad, M., Mohamed, A., Levy, O., Stoyanov, V., & Zettlemoyer, L. (2020). BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 7871–7880. · DOI 10.18653/v1/2020.acl-main.703
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.