เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนกับการรู้จำเอนทิตีที่มีชื่อ	การจำแนกประเภทโดยใช้ RoBERTa
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010 / 2019	2019
ผู้ริเริ่ม	Pan & Yang (transfer learning); Devlin et al. (BERT-based NER fine-tuning)	Liu, Y. et al. (Facebook AI Research / University of Washington)
ประเภท	Supervised sequence labeling via pretrained encoder fine-tuning	Pre-trained transformer fine-tuned for sequence classification
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 (pp. 4171–4186). Association for Computational Linguistics.	Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692.
ชื่อเรียกอื่น	TL-NER, Fine-Tuned NER, Pretrained Model NER, BERT NER	RoBERTa classifier, RoBERTa text classification, Robustly Optimized BERT Classification, RoBERTa fine-tuning for classification
ที่เกี่ยวข้อง	5	5
สรุป	Transfer Learning with Named Entity Recognition (NER) adapts a large pretrained language model — such as BERT, RoBERTa, or a domain-specific encoder — to the task of identifying and classifying named entities (persons, locations, organizations, dates, etc.) in text. By reusing rich linguistic representations learned from massive corpora, this approach requires only modest labeled NER data while achieving state-of-the-art span detection and classification accuracy.	RoBERTa-based Classification applies the RoBERTa pre-trained transformer — trained more robustly than BERT with dynamic masking and larger batches — to text categorisation tasks by adding a lightweight classification head on top of the [CLS] token representation and fine-tuning the entire model on labelled examples. It consistently matches or outperforms BERT on standard NLP benchmarks.