Запис на доказателства за метод
Fine-Tuned GRU
Fine-Tuned GRU adapts a Gated Recurrent Unit network — pre-trained on a large source dataset — to a specific target task or domain by continuing training on domain-specific labeled data. This combines the sequential memory capacity of GRUs with the efficiency gains of transfer learning, achieving strong performance even when labeled target data is scarce.
Изходен запис
Цитиранията са копирани дословно от изходния запис на метода. Те не предполагат проверка на ниво твърдение.
Fine-Tuned Gated Recurrent Unit Network
Таксономичен запис на метод · ml-model / deep-learning
- 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. In Proceedings of EMNLP 2014, pp. 1724-1734. · URL
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. · DOI 10.1109/TKDE.2009.191
Подбрани твърдения
Твърденията са запазени в регистъра на доказателствата, всяко със собствена оценка.
Все още няма подбрани твърдения
Този изглед не измисля оценка на твърдение, когато регистърът няма такава.
Свързани методи
Генерирани от графа на методите и показани като предложени от машината връзки — не се предполага твърдение за доказателство.