Soalan-jawapan separa-terawasi
Soalan-jawapan separa-terawasi (QA) melatih model pada set kecil pasangan soalan-jawapan berlabel, kemudian menjana label semu (pseudo-labels) pada korpus besar tidak berlabel dan melatih semula secara berulang. Gelung pensendirian ini secara dramatik meningkatkan data latihan berkesan tanpa kos anotasi manual penuh, mencapai prestasi yang kukuh dalam pemahaman bacaan, QA domain terbuka, dan tugas bacaan mesin.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/ms/deep-learning/semi-supervised-question-answering
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.
- Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Soalan Dijawab dengan Penalaan HalusPembelajaran Mendalam↔ compare
- Soalan-Jawapan Kendiri-BerpengawasanPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan BERT Separuh-TerawasiPembelajaran Mendalam↔ compare
- Transformer Separa-SeliaanPembelajaran Mendalam↔ compare
- Soalan Jawab Berbantukan Pengawasan LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →