Transformer semi-supervizat
Învățarea semi-supervizată cu arhitecturi Transformer valorifică cantități mari de date neetichetate alături de un set mic etichetat pentru a antrena modele secvențiale puternice. Modelul dominant — exemplificat de BERT — pre-antrenează mai întâi Transformer-ul pe date neetichetate folosind obiective auto-supervizate, cum ar fi predicția token-urilor mascate, apoi îl ajustează fin pe sarcina etichetată. Această abordare în două etape reduce dramatic datele etichetate necesare pentru a obține performanțe solide.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
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 ↗
- Zoph, B., Ghiasi, G., Lin, T.-Y., Cui, Y., Liu, H., Cubuk, E. D., & Le, Q. V. (2020). Rethinking Pre-training and Self-training. Advances in Neural Information Processing Systems (NeurIPS), 33, 3833–3845. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Learning with Transformer Architectures. ScholarGate. https://scholargate.app/ro/deep-learning/semi-supervised-transformer
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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Transformer ajustat finÎnvățare profundă↔ compare
- Clasificare bazată pe RoBERTaÎnvățare profundă↔ compare
- Transformer auto-supervizatÎnvățare profundă↔ compare
- Rețea neuronală convoluțională semi-supervizatăÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →