Transfer Learning dengan Sentence Embeddings
Transfer Learning dengan Sentence Embeddings mengambil sebuah encoder besar yang telah dilatih sebelumnya — seperti Sentence-BERT atau Universal Sentence Encoder — yang sudah mengkodekan pengetahuan bahasa umum ke dalam vektor berdimensi tetap, dan mengadaptasinya untuk tugas atau domain baru dengan sedikit data berlabel tambahan. Representasi yang telah dilatih sebelumnya memberikan awal yang sering kali mengungguli model spesifik tugas yang dilatih dari awal pada korpus yang sederhana.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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), 3982–3992. link ↗
- Conneau, A., Kiela, D., Schwentz, H., Barrault, L. & Bordes, A. (2017). Supervised Learning of Universal Sentence Representations from Natural Language Inference Data. Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP), 670–680. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/id/deep-learning/transfer-learning-with-sentence-embeddings
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ bandingkan
- Embedding Kalimat yang DisesuaikanPembelajaran Mendalam↔ bandingkan
- Klasifikasi Berbasis RoBERTaPembelajaran Mendalam↔ bandingkan
- Sentence EmbeddingsPembelajaran Mendalam↔ bandingkan
- Transfer Learning dengan Klasifikasi Berbasis BERTPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →