Vertaalde Vraagbeantwoording
Vertaalde Vraagbeantwoording (Fine-Tuned Question Answering) past een groot vooraf getraind taalmodel aan — zoals BERT, RoBERTa, of een model uit de GPT-familie — om natuurlijke taalvragen over een gegeven contextpassage of kennisbank te beantwoorden. Het model leert antwoordspannen te lokaliseren of vrije antwoorden te genereren door de training op gelabelde QA-paren voort te zetten na algemene voorafgaande training.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/nl/deep-learning/fine-tuned-question-answering
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- BERT-gebaseerde ClassificatieDeep learning↔ vergelijken
- Fijn-afgestelde BERT-gebaseerde ClassificatieDeep learning↔ vergelijken
- Fijnafgestemde tekstsamenvattingDeep learning↔ vergelijken
- RoBERTa-gebaseerde ClassificatieDeep learning↔ vergelijken
- Sentence EmbeddingsDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →