Transfer Learning met Zinsinbeddingen
Transfer Learning met Zinsinbeddingen maakt gebruik van een grote, vooraf getrainde encoder — zoals Sentence-BERT of de Universal Sentence Encoder — die algemene taal-kennis reeds omzet in vectoren met een vaste lengte, en past deze aan voor een nieuwe taak of domein met weinig extra gelabelde data. De vooraf getrainde representaties bieden een voorsprong die vaak beter presteert dan taak-specifieke modellen die vanaf nul zijn getraind op bescheiden corpora.
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
- 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. link ↗
- Conneau, A., Kiela, D., Schwentz, H., Barrault, L. & Bordes, A. (2017). Supervised Learning of Universal Sentence Representations from Natural Language Inference Data. Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP), 670–680. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/nl/deep-learning/transfer-learning-with-sentence-embeddings
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
- Fijn-afgestelde zinsinbeddingenDeep learning↔ compare
- RoBERTa-gebaseerde ClassificatieDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- Transfer Learning met BERT-gebaseerde ClassificatieDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →