Machine learningDeep learning / NLP / CV
ייצוגי משפטים בפיקוח חלש
ייצוגי משפטים בפיקוח חלש מאמנים ייצוגים צפופים של משפטים באמצעות תוויות רועשות, היוריסטיות או שנוצרו באופן פרוצדורלי, במקום תיוג אנושי יקר. פונקציות תיוג — כללים, אותות פיקוח מרוחקים, או מסווגים קלי משקל — מספקות פיקוח מקורב שהמודל תיוג מאגד לתוויות הסתברותיות, אשר לאחר מכן מנחות את מקודד המשפטים להפיק ייצוגים שימושיים למשימה בקנה מידה גדול.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Ratner, A., De Sa, C., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP). DOI: 10.18653/v1/D19-1410 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Weakly Supervised Sentence Embeddings. ScholarGate. https://scholargate.app/he/deep-learning/weakly-supervised-sentence-embeddings
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.
- סיווג מבוסס BERTלמידה עמוקה↔ compare
- וקטורי משפט בלמידה בהנחיה עצמיתלמידה עמוקה↔ compare
- ייצוגי משפטים חצי-מפוקחיםלמידה עמוקה↔ compare
- ייצוגי משפטים (Sentence Embeddings)למידה עמוקה↔ compare
- למידת העברה עם הטמעות משפטלמידה עמוקה↔ compare
- סיווג מבוסס BERT בפיקוח חלשלמידה עמוקה↔ compare