RNN bidirectionnel
Un RNN bidirectionnel, introduit par Schuster et Paliwal en 1997, traite une séquence dans les deux sens, avant et arrière, de sorte que chaque position ait accès à l'intégralité de son contexte environnant. Avec des cellules LSTM ou GRU (BiLSTM/BiGRU), c'est l'approche standard pour la reconnaissance d'entités nommées, l'étiquetage de séquences et la reconnaissance vocale.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Schuster, M. & Paliwal, K.K. (1997). Bidirectional Recurrent Neural Networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. DOI: 10.1109/78.650093 ↗
- Graves, A. & Schmidhuber, J. (2005). Framewise Phoneme Classification with Bidirectional LSTM Networks. IJCNN, 2047–2052. DOI: 10.1109/IJCNN.2005.1556215 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Bidirectional Recurrent Neural Network (BiLSTM / BiGRU). ScholarGate. https://scholargate.app/fr/deep-learning/bidirectional-rnn
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.
- Mécanisme d'attentionApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Auto-attention multi-têtesApprentissage profond↔ compare
- Modèle séquence-à-séquence (Seq2Seq)Apprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →