Polosamoučený Transformer
Polosamoučené učenie s architektúrami Transformer využíva veľké množstvo neoznačených dát spolu s malou označenou množinou na trénovanie výkonných sekvenčných modelov. Dominantný vzor – príkladom je BERT – najprv predtrénuje Transformer na neoznačených dátach pomocou samoučených cieľov, ako je predikcia maskovaných tokenov, a potom ho doladí na označenú úlohu. Tento dvojstupňový prístup dramaticky znižuje množstvo označených dát potrebných na dosiahnutie silného výkonu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Learning with Transformer Architectures. ScholarGate. https://scholargate.app/sk/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.
- Klasifikácia založená na BERTHlboké učenie↔ compare
- Jemne vyladený TransformerHlboké učenie↔ compare
- Klasifikácia založená na RoBERTaHlboké učenie↔ compare
- Samoučiací sa TransformerHlboké učenie↔ compare
- Polosúvislé konvolučné neuronové sieteHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →