Transformer semi-supervisionato
L'apprendimento semi-supervisionato con architetture Transformer sfrutta grandi quantità di dati non etichettati insieme a un piccolo set etichettato per addestrare potenti modelli di sequenza. Il modello dominante — esemplificato da BERT — pre-addestra prima il Transformer su dati non etichettati utilizzando obiettivi auto-supervisionati come la predizione di token mascherati, quindi lo affina (fine-tunes) sul task etichettato. Questo approccio a due stadi riduce drasticamente i dati etichettati necessari per ottenere prestazioni elevate.
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.
+5 more
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 ↗
- Zoph, B., Ghiasi, G., Lin, T.-Y., Cui, Y., Liu, H., Cubuk, E. D., & Le, Q. V. (2020). Rethinking Pre-training and Self-training. Advances in Neural Information Processing Systems (NeurIPS), 33, 3833–3845. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Learning with Transformer Architectures. ScholarGate. https://scholargate.app/it/deep-learning/semi-supervised-transformer
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
- Transformer con addestramento fine-tunedApprendimento profondo↔ compare
- Classificazione basata su RoBERTaApprendimento profondo↔ compare
- Transformer auto-supervisionatoApprendimento profondo↔ compare
- Reti neurali convoluzionali semi-supervisionateApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →