Слабо контрольоване запитання-відповідь
Слабо контрольоване запитання-відповідь (WS-QA) навчає нейронні моделі читання з розумінням, використовуючи непрямі або автоматично отримані мітки відповідей замість дорогих анотацій фрагментів, зроблених людиною. Використовуючи дистанційне наглядання, евристичне маркування або сигнали присутності відповіді, WS-QA робить QA можливим у доменах та мовах, де повна анотація є непрактичною.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Clark, C., & Gardner, M. (2018). Simple and Effective Multi-Paragraph Reading Comprehension. In Proceedings of ACL 2018, pp. 845–855. Association for Computational Linguistics. link ↗
- Min, S., Chen, D., Hajishirzi, H., & Zettlemoyer, L. (2019). A Discrete Hard EM Approach for Weakly Supervised Question Answering. In Proceedings of EMNLP-IJCNLP 2019, pp. 2083–2093. Association for Computational Linguistics. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Weakly Supervised Question Answering. ScholarGate. https://scholargate.app/uk/deep-learning/weakly-supervised-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.
- Класифікація на основі BERTГлибоке навчання↔ compare
- Адаптація до домену для відповідей на запитанняГлибоке навчання↔ compare
- Доуточнене запитання-відповідьГлибоке навчання↔ compare
- Напівавтоматичне доповнення запитань і відповідейГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →