Zelf-gesuperviseerde zinsinbeddingen
Zelf-gesuperviseerde zinsinbeddingen trainen een neurale encoder om zinnen naar een dichte vectorruimte te mappen zonder dat er handmatig gelabelde paren nodig zijn. Door positieve voorbeelden automatisch te construeren – bijvoorbeeld door dezelfde zin twee keer door dropout te halen – en contrastieve objectieven te gebruiken, leert het model semantisch rijke representaties die goed overdraagbaar zijn naar taken voor gelijkenis, retrieval en classificatie.
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
- Gao, T., Yao, X., & Chen, D. (2021). SimCSE: Simple Contrastive Learning of Sentence Embeddings. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6894–6910. DOI: 10.18653/v1/2021.emnlp-main.552 ↗
- 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. DOI: 10.18653/v1/D19-1410 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Learning for Sentence Embeddings. ScholarGate. https://scholargate.app/nl/deep-learning/self-supervised-sentence-embeddings
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
- Zelf-gesuperviseerde BERT-gebaseerde classificatieDeep learning↔ vergelijken
- Zelf-gesuperviseerde TransformerDeep learning↔ vergelijken
- Semi-supervised Sentence EmbeddingsDeep learning↔ vergelijken
- Sentence EmbeddingsDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →