Transfer Learning med Satsinbäddningar
Transfer Learning med Satsinbäddningar (Transfer Learning with Sentence Embeddings) tar en stor förtränad kodare – såsom Sentence-BERT eller Universal Sentence Encoder – som redan kodar generell språkförståelse till vektorer med fast längd, och anpassar den till en ny uppgift eller domän med lite ytterligare märkt data. De förtränade representationerna ger en fördel som ofta överträffar uppgiftsspecifika modeller tränade från grunden på blygsamma korpusar.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Pre-trained Sentence Embedding Models. ScholarGate. https://scholargate.app/sv/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.
- BERT-baserad klassificeringDjupinlärning↔ compare
- Finjusterade meningsinbäddningarDjupinlärning↔ compare
- Klassificering baserad på RoBERTaDjupinlärning↔ compare
- MeningsinbäddningarDjupinlärning↔ compare
- Transfer Learning med BERT-baserad KlassificeringDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →