การจำแนกประเภทโดยใช้ RoBERTa
การจำแนกประเภทโดยใช้ RoBERTa ประยุกต์ใช้โมเดล RoBERTa ที่ได้รับการฝึกฝนล่วงหน้า — ซึ่งได้รับการฝึกฝนอย่างแข็งแกร่งกว่า BERT ด้วยการปิดบังแบบไดนามิกและชุดข้อมูลขนาดใหญ่กว่า — สำหรับงานจัดหมวดหมู่ข้อความ โดยการเพิ่มส่วนหัวสำหรับการจำแนกประเภทที่มีน้ำหนักเบาบนส่วนแสดงผลของโทเค็น [CLS] และปรับโมเดลทั้งหมดให้เหมาะสมกับตัวอย่างที่มีป้ายกำกับ โมเดลนี้มีความแม่นยำเทียบเท่าหรือสูงกว่า BERT อย่างสม่ำเสมอในเกณฑ์มาตรฐาน NLP มาตรฐาน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
แหล่งอ้างอิง
- 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. link ↗
- 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. DOI: 10.18653/v1/N19-1423 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). RoBERTa-based Text Classification (Robustly Optimized BERT Pretraining Approach). ScholarGate. https://scholargate.app/th/deep-learning/roberta-based-classification
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
- การจำแนกประเภทแบบ Fine-Tuned RoBERTaการเรียนรู้เชิงลึก↔ compare
- หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)การเรียนรู้เชิงลึก↔ compare
- หน่วยความจำระยะสั้นแบบยาว (LSTM)การเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare