GRU Adapté au Domaine
Le GRU adapté au domaine combine l'architecture Gated Recurrent Unit (GRU) avec des techniques d'adaptation de domaine pour entraîner un modèle séquentiel sur un domaine source étiqueté et le transférer vers un domaine cible différent mais apparenté, réduisant ainsi la dégradation des performances causée par le décalage de distribution. Il est largement appliqué dans les tâches de TALN telles que l'analyse de sentiments inter-domaines, la reconnaissance d'entités nommées et la classification de textes, où les données étiquetées du domaine cible sont rares.
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
- 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). Association for Computational Linguistics. link ↗
- Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(1), 2096–2030. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-Adaptive Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/fr/deep-learning/domain-adaptive-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.
- Réseau de neurones récurrent à adaptation de domaineApprentissage profond↔ compare
- Transformeur à adaptation de domaineApprentissage profond↔ compare
- GRU affinéApprentissage profond↔ compare
- Unité récurrente "gated" (GRU)Apprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →