Semi-supervised Text Summarization
Semi-supervised text summarization trains summarization models by leveraging large amounts of unlabeled text alongside a small set of human-written reference summaries. By using techniques such as language-model pretraining, pseudo-labeling, and self-training, these methods substantially reduce the annotation burden while maintaining competitive ROUGE scores on benchmark datasets.
Zapis źródłowy
Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.
- He, J., Zhou, C., Ma, X., Berg-Kirkpatrick, T., & Neubig, G. (2020). Revisiting Semi-Supervised Learning for Neural Sequence Generation. In Proceedings of ICLR 2020. · URL
- Automatic summarization. Wikipedia. · URL
Wyselekcjonowane twierdzenia
Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.
Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.
Powiązane metody
Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.
Wygenerowany graf powiązań nie ma wychodzącego powiązania dla tej metody.