Metodin todisteiden tietue
Self-supervised Question Answering
Self-supervised Question Answering (SSQA) is a training paradigm that automatically generates question-answer pairs from unlabeled text — using cloze translation, span masking, or neural question generation — to train QA models without any human-labeled data. It enables high-quality reading comprehension systems even when annotated datasets are scarce or domain-specific.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Self-supervised Question Answering (SSQA)
Taksonominen metoditietue · ml-model / deep-learning
- Lewis, P., Denoyer, L., & Riedel, S. (2019). Unsupervised Question Answering by Cloze Translation. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 4896–4910. · DOI 10.18653/v1/P19-1484
- Alberti, C., Andor, D., Pitler, E., Devlin, J., & Collins, M. (2019). Synthetic QA Corpora Generation with Roundtrip Consistency. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 6168–6173. · DOI 10.18653/v1/p19-1620
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.