Transfer Learning with Sentence Embeddings
Transfer Learning with Sentence Embeddings использует большой предварительно обученный энкодер — такой как Sentence-BERT или Universal Sentence Encoder — который уже кодирует общие знания языка в векторы фиксированной длины, и адаптирует его к новой задаче или домену с небольшим количеством дополнительных размеченных данных. Предварительно обученные представления дают преимущество, которое часто превосходит специализированные модели, обученные с нуля на скромных корпусах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/ru/deep-learning/transfer-learning-with-sentence-embeddings
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.
- Классификация на основе BERTГлубокое обучение↔ compare
- Тонкая настройка эмбеддингов предложенийГлубокое обучение↔ compare
- Классификация на основе RoBERTaГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Трансферное обучение с классификацией на основе BERTГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →