ScholarGate
Asszisztens
Machine learningDeep learning / NLP / CV

Többnyelvű RoBERTa-alapú osztályozás

A többnyelvű RoBERTa-alapú osztályozás az XLM-RoBERTa modellt használja — egy 100+ nyelven előképzett transzformer, maszkolt nyelvmodellezéssel —, majd címkézett szövegen finomhangolja azt kategóriák hozzárendelésére több nyelven. Egyetlen modell megosztásával a nyelvek között robusztus, nyelvközi és zéró-shot (zero-shot) szövegosztályozást tesz lehetővé anélkül, hogy külön nyelvenkénti osztályozókra lenne szükség.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDiák letöltése

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Módszertérkép

A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.

Források

  1. Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 8440–8451. DOI: 10.18653/v1/2020.acl-main.747
  2. Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692. link

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 3). Multilingual RoBERTa-based Text Classification (XLM-RoBERTa). ScholarGate. https://scholargate.app/hu/deep-learning/multilingual-roberta-based-classification

Melyik módszer?

Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.

Összehasonlítás egymás mellett

Hivatkozik rá

ScholarGateMultilingual RoBERTa-based Classification (Multilingual RoBERTa-based Text Classification (XLM-RoBERTa)). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/deep-learning/multilingual-roberta-based-classification · Adatkészlet: https://doi.org/10.5281/zenodo.20539026