Machine learningDeep learning / NLP / CV
固有表現抽出（NER）における転移学習
固有表現抽出（NER）における転移学習は、BERT、RoBERTa、あるいはドメイン固有のエンコーダのような大規模な事前学習済み言語モデルを、テキスト中の固有表現（人名、地名、組織名、日付など）を識別・分類するタスクに適応させる手法である。大規模コーパスから学習された豊かな言語表現を再利用することにより、このアプローチはわずかなラベル付きNERデータのみを必要とし、最先端の固有表現の検出および分類精度を達成する。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
このページの引用方法
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/ja/deep-learning/transfer-learning-with-named-entity-recognition
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.
- BERTベースの分類深層学習↔ compare
- ファインチューニングされた固有表現認識深層学習↔ compare
- RoBERTaベースの分類深層学習↔ compare
- 文埋め込み（Sentence Embeddings）深層学習↔ compare
- BERTベースの転移学習による分類深層学習↔ compare