Question Answering Semi-Terawasi
Question answering semi-terawasi (QA) melatih sebuah model pada sekumpulan kecil pasangan tanya-jawab berlabel, kemudian menghasilkan label semu (pseudo-labels) pada korpus tak berlabel yang besar dan melatih ulang secara iteratif. Lingkaran penyempurnaan mandiri ini secara dramatis meningkatkan data pelatihan efektif tanpa biaya anotasi manual penuh, sehingga mencapai kinerja kuat pada pemahaman bacaan, QA domain terbuka, dan tugas pembacaan mesin.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/id/deep-learning/semi-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.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Tanya Jawab yang Disesuaikan (Fine-Tuned Question Answering)Pembelajaran Mendalam↔ compare
- Menjawab Pertanyaan Diawasi MandiriPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis BERT Semi-TerawasiPembelajaran Mendalam↔ compare
- Transformer Semi-terawasiPembelajaran Mendalam↔ compare
- Tanya Jawab yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →