Question-réponse semi-supervisé
L'apprentissage semi-supervisé pour la question-réponse (QA) entraîne un modèle sur un petit ensemble étiqueté de paires question-réponse, puis génère des pseudo-étiquettes sur un grand corpus non étiqueté et ré-entraîne itérativement. Cette boucle d'auto-apprentissage augmente considérablement les données d'entraînement effectives sans le coût d'une annotation manuelle complète, atteignant ainsi de solides performances en compréhension de lecture, en QA à domaine ouvert et en tâches de lecture automatique.
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
- Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020. link ↗
- Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le, Q. V. (2019). XLNet: Generalized Autoregressive Pretraining for Language Understanding. In Advances in Neural Information Processing Systems (NeurIPS 2019). link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/fr/deep-learning/semi-supervised-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
- Question-Réponse affinéeApprentissage profond↔ comparer
- Question-Réponse Auto-SuperviséeApprentissage profond↔ comparer
- Classification semi-supervisée basée sur BERTApprentissage profond↔ comparer
- Transformeur semi-superviséApprentissage profond↔ comparer
- Réponse aux questions par supervision faibleApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →