Apprendimento per trasferimento con embedding di frasi
L'apprendimento per trasferimento con embedding di frasi utilizza un encoder pre-addestrato di grandi dimensioni — come Sentence-BERT o Universal Sentence Encoder — che codifica già la conoscenza linguistica generale in vettori di lunghezza fissa, e lo adatta a un nuovo compito o dominio con pochi dati etichettati aggiuntivi. Le rappresentazioni pre-addestrate forniscono un vantaggio iniziale che spesso supera i modelli specifici per il compito addestrati da zero su corpora modesti.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/it/deep-learning/transfer-learning-with-sentence-embeddings
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
- Embeddings di Frase Ottimizzati (Fine-Tuned Sentence Embeddings)Apprendimento profondo↔ compare
- Classificazione basata su RoBERTaApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
- Apprendimento per trasferimento con classificazione basata su BERTApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →