Bias Variance

یکی از نیازها در زمینه های یادگیری، دیتاست است. در مقاله مروری که اخیرا ارایه شده، راه های افزایش دیتا برای NLP مرور شده اند. اگر در زمینه NLP و یادگیری عمیق کار می کنید، این مقاله می تواند کمکتان کند. ما نیز خواندن مقاله را پیشنهاد می کنیم. حتما فهرست مطالب مقاله را ببینید.

As an effective strategy, data augmentation (DA) alleviates data scarcity scenarios where deep learning techniques may fail. It is widely applied in computer vision then introduced to natural language processing and achieves improvements in many tasks. One of the main focuses of the DA methods is to improve the diversity of training data, thereby helping the model to better generalize to unseen testing data. In this survey, we frame DA methods into three categories based on the diversity of augmented data, including paraphrasing, noising, and sampling. Our paper sets out to analyze DA methods in detail according to the above categories. Further, we also introduce their applications in NLP tasks as well as the challenges.

لینک مقاله Data Augmentation Approaches in Natural Language Processing: A Survey

#یادگیری_عمیق #پردازش_زبان_طبیعی #NLP #دیتاست #data_augmentation #مقاله_مروری


🌴 سایت | 🌺 کانال | 🌳 پشتیبانی

Telegram

Bias Variance

🌴 سایت:
https://biasvariance.net

🌺 کانال تلگرام:
@biasvariance_ir

🌳 پشتیبانی:
@biasvariance

🌷 اینستاگرام:
https://www.instagram.com/bvariance/

www.tgoop.com/biasvariance_ir/125

190 viewsBias Variance, edited  Oct 17, 2021 at 15:12

یکی از نیازها در زمینه های یادگیری، دیتاست است. در مقاله مروری که اخیرا ارایه شده، راه های افزایش دیتا برای NLP مرور شده اند. اگر در زمینه NLP و یادگیری عمیق کار می کنید، این مقاله می تواند کمکتان کند. ما نیز خواندن مقاله را پیشنهاد می کنیم. حتما فهرست مطالب مقاله را ببینید.

As an effective strategy, data augmentation (DA) alleviates data scarcity scenarios where deep learning techniques may fail. It is widely applied in computer vision then introduced to natural language processing and achieves improvements in many tasks. One of the main focuses of the DA methods is to improve the diversity of training data, thereby helping the model to better generalize to unseen testing data. In this survey, we frame DA methods into three categories based on the diversity of augmented data, including paraphrasing, noising, and sampling. Our paper sets out to analyze DA methods in detail according to the above categories. Further, we also introduce their applications in NLP tasks as well as the challenges.

لینک مقاله Data Augmentation Approaches in Natural Language Processing: A Survey

#یادگیری_عمیق #پردازش_زبان_طبیعی #NLP #دیتاست #data_augmentation #مقاله_مروری


🌴 سایت | 🌺 کانال | 🌳 پشتیبانی

BY Bias Variance