Question Answering Fine-Tuned
Il Question Answering Fine-Tuned adatta un ampio modello linguistico pre-addestrato — come BERT, RoBERTa o un modello della famiglia GPT — per rispondere a domande in linguaggio naturale su un dato passaggio di contesto o base di conoscenza. Il modello impara a localizzare segmenti di risposta o a generare risposte libere continuando l'addestramento su coppie QA etichettate dopo il pre-addestramento general-purpose.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. DOI: 10.18653/v1/N19-1423 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/it/deep-learning/fine-tuned-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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Classificazione basata su BERT fine-tunedApprendimento profondo↔ compare
- Riassunto di Testi con Fine-TuningApprendimento profondo↔ compare
- Classificazione basata su RoBERTaApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →