เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยการจำแนกประเภทโดยใช้ BERT	การจำแนกประเภทโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019 (BERT); transfer learning paradigm established circa 2010	2019
ผู้ริเริ่ม	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (BERT); Pan, S. J. & Yang, Q. (transfer learning survey)	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (Google AI Language)
ประเภท	Pre-trained transformer fine-tuned for classification	Pre-trained language model with fine-tuning
แหล่งต้นตำรับ	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics.
ชื่อเรียกอื่น	BERT fine-tuning for classification, BERT transfer learning classifier, pre-trained BERT classifier, BERT downstream classification	BERT classifier, BERT fine-tuning for classification, BERT text classification, BERT-CLS
ที่เกี่ยวข้อง	4	4
สรุป	Transfer Learning with BERT-based Classification adapts a large transformer language model, pre-trained on massive text corpora, to a target classification task by fine-tuning its weights on labeled examples. The pre-trained representations encode rich syntactic and semantic knowledge, enabling high accuracy even when the labeled dataset is small.	BERT-based Classification fine-tunes Google's Bidirectional Encoder Representations from Transformers model on a labelled text dataset, replacing the generic pre-trained head with a task-specific classification layer. It exploits deep bidirectional context from hundreds of millions of pre-trained parameters to deliver state-of-the-art accuracy on short- and medium-length text classification tasks with relatively modest amounts of labelled data.