การตอบคำถามแบบปรับละเอียด
การตอบคำถามแบบปรับละเอียด (Fine-Tuned Question Answering) เป็นการปรับโมเดลภาษาขนาดใหญ่ที่ได้รับการฝึกฝนล่วงหน้า (pre-trained language model) เช่น BERT, RoBERTa หรือโมเดลในตระกูล GPT ให้สามารถตอบคำถามภาษาธรรมชาติจากเนื้อหาที่กำหนดหรือฐานความรู้ โมเดลจะเรียนรู้ที่จะระบุช่วงคำตอบ (answer spans) หรือสร้างคำตอบแบบอิสระ (free-form answers) โดยการฝึกฝนเพิ่มเติมด้วยคู่คำถาม-คำตอบที่มีป้ายกำกับ (labeled QA pairs) หลังจากการฝึกฝนทั่วไปล่วงหน้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. DOI: 10.18653/v1/N19-1423 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/th/deep-learning/fine-tuned-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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การสรุปความข้อความแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ RoBERTaการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare