Semi-superviseret GRU
Semi-superviseret GRU anvender Gated Recurrent Unit-arkitekturen i situationer, hvor kun en lille del af sekventielle data er mærket. Ved først at fortræne eller samtræne på rigelige umærkede sekvenser – gennem sprogmodellering, auto-encoding eller konsistensregularisering – og derefter finjustere på mærkede eksempler, udnytter modellen hele korpusset til at lære rigere sekvensrepræsentationer, end rent superviseret træning ville tillade.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/da/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)Dyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Selv-overvåget GRUDyb læring↔ compare
- Semi-supervised LSTMDyb læring↔ compare
- Semi-superviseret TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →