Semi-supervised Question Answering
Semi-supervised frågesvarsinlärning (QA) tränar en modell på en liten märkt uppsättning av fråge-svarspar, genererar sedan pseudo-etiketter på ett stort omärkt korpus och återtränar iterativt. Denna självträningsloop ökar dramatiskt den effektiva träningsdatan utan kostnaden för fullständig manuell annotering, vilket ger stark prestanda på läsförståelse, domänövergripande QA och maskinell läsning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Clark, K., Luong, M.-T., Le, Q. V., & Manning, C. D. (2020). ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators. In Proceedings of ICLR 2020. link ↗
- Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R., & Le, Q. V. (2019). XLNet: Generalized Autoregressive Pretraining for Language Understanding. In Advances in Neural Information Processing Systems (NeurIPS 2019). link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Question Answering (Self-Training and Consistency-Based NLP). ScholarGate. https://scholargate.app/sv/deep-learning/semi-supervised-question-answering
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.
- BERT-baserad klassificeringDjupinlärning↔ compare
- Finjusterad frågesvarsmodellDjupinlärning↔ compare
- Self-supervised Question AnsweringDjupinlärning↔ compare
- Semi-supervised BERT-baserad klassificeringDjupinlärning↔ compare
- Semi-supervised TransformerDjupinlärning↔ compare
- Svag övervakad frågesvarsinlärningDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →