Samonadzorowane odpowiadanie na pytania
Samonadzorowane odpowiadanie na pytania (SSQA) to paradygmat treningowy, który automatycznie generuje pary pytań i odpowiedzi z nieoznakowanych tekstów — wykorzystując tłumaczenie typu cloze, maskowanie fragmentów lub generowanie pytań przez sieci neuronowe — w celu trenowania modeli QA bez jakichkolwiek danych oznaczonych przez człowieka. Umożliwia tworzenie wysokiej jakości systemów rozumienia tekstu, nawet gdy dostępne zbiory danych są rzadkie lub specyficzne dla danej dziedziny.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Lewis, P., Denoyer, L., & Riedel, S. (2019). Unsupervised Question Answering by Cloze Translation. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 4896–4910. DOI: 10.18653/v1/P19-1484 ↗
- Alberti, C., Andor, D., Pitler, E., Devlin, J., & Collins, M. (2019). Synthetic QA Corpora Generation with Roundtrip Consistency. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 6168–6173. DOI: 10.18653/v1/p19-1620 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Question Answering (SSQA). ScholarGate. https://scholargate.app/pl/deep-learning/self-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.
- Retrieval-Augmented Generation (RAG) (Generowanie Wzbogacone o Wyszukiwanie)Eksploracja tekstu↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →