Metodes pierādījumu reģistrs
Fine-Tuned Question Answering
Fine-Tuned Question Answering adapts a large pre-trained language model — such as BERT, RoBERTa, or a GPT-family model — to answer natural-language questions over a given context passage or knowledge base. The model learns to locate answer spans or generate free-form answers by continuing training on labeled QA pairs after general-purpose pre-training.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
Fine-Tuned Pre-trained Language Model for Question Answering
Taksonomiskās metodes reģistrs · ml-model / deep-learning
- 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
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. · DOI 10.18653/v1/D16-1264
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Vēl nav kurētu apgalvojumu
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.