Réponse aux questions par supervision faible
La réponse aux questions par supervision faible (WS-QA) entraîne des modèles neuronaux de compréhension de lecture en utilisant des étiquettes de réponse indirectes ou dérivées automatiquement, plutôt que des annotations d'étendue coûteuses annotées par des humains. En exploitant la supervision distante, l'étiquetage heuristique ou les signaux de présence de réponse, la WS-QA rend la QA réalisable dans des domaines et des langues où une annotation complète est impraticable.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Clark, C., & Gardner, M. (2018). Simple and Effective Multi-Paragraph Reading Comprehension. In Proceedings of ACL 2018, pp. 845–855. Association for Computational Linguistics. link ↗
- Min, S., Chen, D., Hajishirzi, H., & Zettlemoyer, L. (2019). A Discrete Hard EM Approach for Weakly Supervised Question Answering. In Proceedings of EMNLP-IJCNLP 2019, pp. 2083–2093. Association for Computational Linguistics. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Question Answering. ScholarGate. https://scholargate.app/fr/deep-learning/weakly-supervised-question-answering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classification basée sur BERTApprentissage profond↔ compare
- Question-réponse adaptative au domaineApprentissage profond↔ compare
- Question-Réponse affinéeApprentissage profond↔ compare
- Question-réponse semi-superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →