Răspuns la întrebări prin ajustare fină
Răspunsul la întrebări prin ajustare fină adaptează un model lingvistic mare pre-antrenat — precum BERT, RoBERTa sau un model din familia GPT — pentru a răspunde la întrebări în limbaj natural pe baza unui pasaj de context sau a unei baze de cunoștințe date. Modelul învață să localizeze fragmente de răspuns sau să genereze răspunsuri libere prin continuarea antrenamentului pe perechi QA etichetate, după pre-antrenamentul cu scop general.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/ro/deep-learning/fine-tuned-question-answering
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Clasificare bazată pe BERTÎnvățare profundă↔ compară
- Clasificare bazată pe BERT fin-reglatÎnvățare profundă↔ compară
- Sumarizarea Textului cu Ajustare FinăÎnvățare profundă↔ compară
- Clasificare bazată pe RoBERTaÎnvățare profundă↔ compară
- Embeddings de propozițiiÎnvățare profundă↔ compară
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →