เปรียบเทียบวิธี

	การจำแนกประเภทโดยใช้ RoBERTa หลายภาษา	การฝังประโยคหลายภาษา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020	2019–2022
ผู้ริเริ่ม	Conneau, A. et al. (Facebook AI Research)	Reimers, N. & Gurevych, I.; Feng, F. et al. (Google)
ประเภท	Pretrained multilingual transformer fine-tuned for classification	Cross-lingual representation learning
แหล่งต้นตำรับ	Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 8440–8451.	Reimers, N. & Gurevych, I. (2020). Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Proceedings of EMNLP 2020, 4512–4525.
ชื่อเรียกอื่น	XLM-RoBERTa classification, mRoBERTa, cross-lingual RoBERTa classifier, multilingual transformer classification	multilingual sentence representations, cross-lingual sentence embeddings, mSE, multilingual semantic embeddings
ที่เกี่ยวข้อง	4	5
สรุป	Multilingual RoBERTa-based classification uses XLM-RoBERTa — a transformer pretrained on 100+ languages via masked language modeling — and fine-tunes it on labeled text to assign categories across multiple languages. By sharing a single model across languages, it enables robust cross-lingual and zero-shot text classification without needing separate per-language classifiers.	Multilingual sentence embeddings map sentences from many languages into a single shared vector space so that semantically equivalent sentences — regardless of language — land close together. Models such as LaBSE, multilingual Sentence-BERT, and mUSE have made it practical to compare, retrieve, and classify text across 50 to 100+ languages without translating anything first.