Запис доказів методу
Self-supervised Question Answering
Self-supervised Question Answering (SSQA) is a training paradigm that automatically generates question-answer pairs from unlabeled text — using cloze translation, span masking, or neural question generation — to train QA models without any human-labeled data. It enables high-quality reading comprehension systems even when annotated datasets are scarce or domain-specific.
Запис джерела
Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.
Self-supervised Question Answering (SSQA)
Запис таксономічного методу · ml-model / deep-learning
- Lewis, P., Denoyer, L., & Riedel, S. (2019). Unsupervised Question Answering by Cloze Translation. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 4896–4910. · DOI 10.18653/v1/P19-1484
- Alberti, C., Andor, D., Pitler, E., Devlin, J., & Collins, M. (2019). Synthetic QA Corpora Generation with Roundtrip Consistency. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), pp. 6168–6173. · DOI 10.18653/v1/p19-1620
Відібрані твердження
Твердження збережено в журналі доказів, кожне зі своєю оцінкою.
Відібраних тверджень ще немає
Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.
Пов'язані методи
Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.