GRU semi-supervisada
La GRU semi-supervisada aplica l'arquitectura Gated Recurrent Unit (GRU) a entorns on només una petita fracció de les dades seqüencials estan etiquetades. Pre-entrenant o entrenant conjuntament sobre seqüències abundants no etiquetades —mitjançant modelatge de llenguatge, auto-codificació o regularització de consistència— i després fent un ajust fi sobre exemples etiquetats, el model aprofita tot el corpus per aprendre representacions seqüencials més riques del que permetria un entrenament només supervisat.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/ca/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.
- Unitat recurrent amb portes (GRU)Aprenentatge profund↔ compare
- Long Short-Term Memory (LSTM)Aprenentatge profund↔ compare
- GRU auto-supervisadaAprenentatge profund↔ compare
- LSTM semi-supervisatAprenentatge profund↔ compare
- Transformer semi-supervisatAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →