Finjustert spørsmål-svar
Finjustert spørsmål-svar (Fine-Tuned Question Answering) tilpasser en stor forhåndstrent språkmodell — som BERT, RoBERTa eller en modell fra GPT-familien — til å besvare naturlige språkspørsmål over en gitt kontekstpassasje eller kunnskapsbase. Modellen lærer å lokalisere svarintervaller eller generere friformsvar ved å fortsette treningen på merkede QA-par etter generell forhåndstrening.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-question-answering
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- BERT-basert klassifiseringDyp læring↔ sammenlign
- Finputilpasset BERT-basert klassifiseringDyp læring↔ sammenlign
- Finjustert tekstoppsummeringDyp læring↔ sammenlign
- RoBERTa-basert klassifiseringDyp læring↔ sammenlign
- SetningsembddingerDyp læring↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →