Machine learningDeep learning / NLP / CV
GRU למחצה-מפוקח
GRU למחצה-מפוקח מיישם את ארכיטקטורת Gated Recurrent Unit (GRU) למצבים שבהם רק חלק קטן מהנתונים הסדרתיים מתויג. על ידי אימון מקדים או אימון משותף תחילה על רצפים לא מתויגים בשפע — באמצעות מידול שפה, קידוד-אוטומטי, או רגולריזציית עקביות — ולאחר מכן כוונון עדין על דוגמאות מתויגות, המודל מנצל את כל הקורפוס כדי ללמוד ייצוגי רצף עשירים יותר מאשר אימון מפוקח בלבד היה מאפשר.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/he/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)למידה עמוקה↔ compare
- Long Short-Term Memory (LSTM)למידה עמוקה↔ compare
- GRU מבוסס אימון עצמילמידה עמוקה↔ compare
- LSTM חצי-מפוקחלמידה עמוקה↔ compare
- טרנספורמר בלמידה חצי-מפוקחתלמידה עמוקה↔ compare