Обучение плотных представлений предложений с использованием нечетких, эвристических или программно сгенерированных меток вместо дорогостоящей ручной аннотации.
Функции разметки — правила, сигналы дистанционного наблюдения или легкие классификаторы — обеспечивают приблизительный надзор, который модель меток агрегирует в вероятностные метки, направляющие кодировщик предложений для создания полезных для задачи представлений в масштабе.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Ratner, A., De Sa, C., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- 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). DOI: 10.18653/v1/D19-1410 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Sentence Embeddings. ScholarGate. https://scholargate.app/ru/deep-learning/weakly-supervised-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
- Самоконтролируемые эмбеддинги предложенийГлубокое обучение↔ compare
- Получение полуобучаемых векторных представлений предложенийГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Transfer Learning with Sentence EmbeddingsГлубокое обучение↔ compare
- Классификация на основе BERT при слабом обученииГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →