Question-Réponse affinée
La question-réponse affinée adapte un grand modèle linguistique pré-entraîné — tel que BERT, RoBERTa, ou un modèle de la famille GPT — pour répondre à des questions en langage naturel sur un passage contextuel ou une base de connaissances donné. Le modèle apprend à localiser des segments de réponse ou à générer des réponses de forme libre en poursuivant l'entraînement sur des paires question-réponse étiquetées après un pré-entraînement à usage général.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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. DOI: 10.18653/v1/N19-1423 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/fr/deep-learning/fine-tuned-question-answering
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Classification basée sur BERTApprentissage profond↔ comparer
- Classification par BERT affinéApprentissage profond↔ comparer
- Résumé de texte affinéApprentissage profond↔ comparer
- Classification basée sur RoBERTaApprentissage profond↔ comparer
- Plongements de phrasesApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →