T5 (Text-to-Text Transfer Transformer)
T5 is a unified sequence-to-sequence deep learning framework introduced by Raffel et al. at Google Brain in 2020, published in the Journal of Machine Learning Research (Vol. 21, No. 140). It reframes every NLP task — classification, translation, summarisation, question answering, and more — as a text-to-text problem: both input and output are always character strings, enabling a single encoder-decoder Transformer to be pre-trained once and fine-tuned across tasks with a consistent interface. T5 introduced span-corruption pre-training and the C4 corpus, and its largest variant (11B parameters) achieved state-of-the-art results across a wide range of NLP benchmarks at the time of publication.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- 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. · URL
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is All You Need. Advances in Neural Information Processing Systems, 30. · URL
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.