Pārneses apmācība ar teikumu iegulšanu
Pārneses apmācība ar teikumu iegulšanu izmanto lielu, iepriekš apmācītu kodētāju — piemēram, Sentence-BERT vai Universal Sentence Encoder —, kas jau kodē vispārīgas valodas zināšanas fiksēta garuma vektoros, un pielāgo to jaunam uzdevumam vai domēnam ar nelielu papildu iezīmētu datu daudzumu. Iepriekš apmācītās reprezentācijas sniedz priekšrocības, kas bieži vien pārspēj specifiskus uzdevumam modeļus, kas apmācīti no nulles uz mēreniem korpusiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/lv/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.
- BERT klasifikācijaDziļā mācīšanās↔ compare
- Sintētiski pielāgotas teicienu iegultnesDziļā mācīšanās↔ compare
- Klasifikācija, kas balstīta uz RoBERTaDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Pārneses apmācība ar BERT bāzētu klasifikācijuDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →