Semi-supervised Vraag-Antwoord
Semi-supervised vraag-antwoord (QA) traint een model op een kleine gelabelde set van vraag-antwoordparen, genereert vervolgens pseudo-labels op een grote ongelabelde corpus en hertraint iteratief. Deze self-training lus vergroot de effectieve trainingsdata dramatisch zonder de kosten van volledige handmatige annotatie, en behaalt sterke prestaties op het gebied van leesbegrip, open-domein QA en machine reading taken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/nl/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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Vertaalde VraagbeantwoordingDeep learning↔ compare
- Zelf-gesuperviseerd Vraag-AntwoordDeep learning↔ compare
- Semi-gesuperviseerde BERT-gebaseerde ClassificatieDeep learning↔ compare
- Semi-supervised TransformerDeep learning↔ compare
- Zwak-gesuperviseerde vraagbeantwoordingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →