ScholarGate
Asistents
Machine learningDeep learning / NLP / CV

Semi-supervised Question Answering (Self-Training and Consistency-Based NLP)

Manuāla jautājumu un atbilžu pāru anotēšana lielā mērogā ir dārga un lēna. Puspārraudzītā QA izmanto neanotēta teksta pārpilnību, ļaujot modelim, kas trenēts uz neliela sākuma kopuma, atbildēt uz jautājumiem par neiezīmētiem fragmentiem, uzskatot šīs prognozes par pagaidu iezīmēm. Pārliecinošas prognozes tiek iekļautas atpakaļ apmācībā, pakāpeniski uzlabojot modeli. Cikls atgādina studenta mācīšanos: apgūt nelielu atrisinātu piemēru kopumu, mēģināt atrisināt jaunus uzdevumus, pēc tam salīdzināt ar atbilžu atslēgu — izņemot to, ka šeit pats modelis ģenerē pagaidu atbildes un atkārto.

Atvērt MethodMindDrīzumāVideoDrīzumāLejupielādēt slaidus

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Metožu karte

Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.

Avoti

  1. Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020. link
  2. Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le, Q. V. (2019). XLNet: Generalized Autoregressive Pretraining for Language Understanding. In Advances in Neural Information Processing Systems (NeurIPS 2019). link

Kā citēt šo lapu

ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/lv/deep-learning/semi-supervised-question-answering

Kura metode?

Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.

Salīdzināt blakus

Uz to atsaucas

ScholarGateSemi-supervised Question Answering (Semi-supervised Question Answering (Self-Training and Consistency-Based NLP)). Izgūts 2026-06-15 no https://scholargate.app/lv/deep-learning/semi-supervised-question-answering · Datu kopa: https://doi.org/10.5281/zenodo.20539026