Polo-dohledová GRU
Polo-dohledová GRU aplikuje architekturu Gated Recurrent Unit na scénáře, kde je pouze malá část sekvenčních dat označena. Předtrénováním nebo společným trénováním na hojných neoznačených sekvencích — prostřednictvím jazykového modelování, autoenkódování nebo regularizace konzistence — a následným doladěním na označených příkladech, model využívá celý korpus k naučení bohatších sekvenčních reprezentací, než by umožnil pouze dohledový trénink.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/cs/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.
- Gated Recurrent Unit (GRU)Hluboké učení↔ compare
- Dlouhodobá krátkodobá paměť (LSTM)Hluboké učení↔ compare
- Samo-dohledové GRUHluboké učení↔ compare
- Semi-supervised LSTMHluboké učení↔ compare
- Semi-supervised TransformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →