GRU affiné
Un GRU affiné adapte un réseau Gated Recurrent Unit — pré-entraîné sur un grand jeu de données source — à une tâche ou un domaine cible spécifique en poursuivant l'entraînement sur des données étiquetées spécifiques au domaine. Cela combine la capacité de mémoire séquentielle des GRU avec les gains d'efficacité de l'apprentissage par transfert, obtenant de solides performances même lorsque les données cibles étiquetées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
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. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/fr/deep-learning/fine-tuned-gru
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- LSTM affinéApprentissage profond↔ comparer
- Transformer affinéApprentissage profond↔ comparer
- Unité récurrente "gated" (GRU)Apprentissage profond↔ comparer
- Long Short-Term Memory (LSTM)Apprentissage profond↔ comparer
- Réseau de neurones récurrentApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →