GRU semi-supervisé
Le GRU semi-supervisé applique l'architecture de l'unité récurrente à portes (Gated Recurrent Unit) à des contextes où seule une petite fraction des données séquentielles est étiquetée. En pré-entraînant d'abord ou en entraînant conjointement sur d'abondantes séquences non étiquetées — par le biais de la modélisation linguistique, de l'auto-encodage ou de la régularisation de cohérence — puis en affinant sur des exemples étiquetés, le modèle exploite le corpus complet pour apprendre des représentations de séquence plus riches que ne le permettrait un entraînement uniquement supervisé.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/fr/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.
- Unité récurrente "gated" (GRU)Apprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
- GRU auto-superviséApprentissage profond↔ compare
- LSTM semi-superviséApprentissage profond↔ compare
- Transformeur semi-superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →