Полу-наблюдаван GRU
Полу-наблюдаваният GRU прилага архитектурата на Gated Recurrent Unit (GRU) към настройки, където само малка част от последователни данни е етикетирана. Чрез предварително обучение или съвместно обучение върху изобилие от не-етикетирани последователности — чрез езиково моделиране, автоенкодинг или регуляризация на консистентността — и след това фина настройка върху етикетирани примери, моделът използва пълния корпус за научаване на по-богати представяния на последователности, отколкото би позволило само наблюдавано обучение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Dai, A. M., & Le, Q. V. (2015). Semi-supervised Sequence Learning. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. EMNLP 2014. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/bg/deep-learning/semi-supervised-gru
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.
- Вентилна рекурентна единица (GRU)Дълбоко обучение↔ compare
- Дългосрочна краткосрочна памет (LSTM)Дълбоко обучение↔ compare
- Самообучаващ се GRUДълбоко обучение↔ compare
- Полу-наблюдавана LSTMДълбоко обучение↔ compare
- Трансформер с полунаблюдавано обучениеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →