Machine learningDeep learning / NLP / CV

Phân loại dựa trên RoBERTa đa ngôn ngữ

Phân loại dựa trên RoBERTa đa ngôn ngữ sử dụng XLM-RoBERTa — một mô hình transformer được huấn luyện trước trên hơn 100 ngôn ngữ thông qua mô hình hóa ngôn ngữ che giấu (masked language modeling) — và tinh chỉnh nó trên dữ liệu văn bản có nhãn để gán các danh mục trên nhiều ngôn ngữ. Bằng cách chia sẻ một mô hình duy nhất trên các ngôn ngữ, nó cho phép phân loại văn bản đa ngôn ngữ và phân loại văn bản zero-shot mạnh mẽ mà không cần các bộ phân loại riêng cho từng ngôn ngữ.

Mở trong MethodMindSắp ra mắtVideoSắp ra mắtDownload slides

Đọc toàn bộ phương pháp

Chỉ dành cho thành viên

Đăng nhập bằng tài khoản miễn phí để đọc phần này.

Đăng nhập

Method map

The neighbourhood of related methods — select a node to explore.

Nguồn tài liệu

  1. Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 8440–8451. DOI: 10.18653/v1/2020.acl-main.747
  2. 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

Cách trích dẫn trang này

ScholarGate. (2026, June 3). Multilingual RoBERTa-based Text Classification (XLM-RoBERTa). ScholarGate. https://scholargate.app/vi/deep-learning/multilingual-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.

Compare side by side

Được tham chiếu bởi

ScholarGateMultilingual RoBERTa-based Classification (Multilingual RoBERTa-based Text Classification (XLM-RoBERTa)). Truy cập ngày 2026-06-15 từ https://scholargate.app/vi/deep-learning/multilingual-roberta-based-classification · Bộ dữ liệu: https://doi.org/10.5281/zenodo.20539026