Uczenie transferowe z osadzaniem zdań
Uczenie transferowe z osadzaniem zdań wykorzystuje duży, wstępnie wytrenowany koder — taki jak Sentence-BERT lub Universal Sentence Encoder — który już koduje ogólną wiedzę językową w wektory o stałej długości, a następnie adaptuje go do nowego zadania lub domeny z niewielką ilością dodatkowych danych opatrzonych etykietami. Wstępnie wytrenowane reprezentacje zapewniają przewagę, która często przewyższa modele specyficzne dla zadania, trenowane od podstaw na skromnych korpusach.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/pl/deep-learning/transfer-learning-with-sentence-embeddings
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Klasyfikacja oparta na BERTUczenie głębokie↔ porównaj
- Dostrojone osadzenia zdańUczenie głębokie↔ porównaj
- Klasyfikacja oparta na RoBERTaUczenie głębokie↔ porównaj
- Osadzanie zdańUczenie głębokie↔ porównaj
- Uczenie maszynowe z klasyfikacją opartą na BERTUczenie głębokie↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →