Polunadzirani GRU
Polunadzirani GRU primjenjuje arhitekturu Gated Recurrent Unit u postavkama gdje je samo mali dio sekvencijalnih podataka označen. Prvo se provodi predobuka ili zajednička obuka na obilnim neoznačenim sekvencama — putem jezičnog modeliranja, automatskog kodiranja ili regularizacije konzistentnosti — a zatim se provodi fino podešavanje na označenim primjerima. Na taj način model iskorištava cijeli korpus za učenje bogatijih reprezentacija sekvenci nego što bi to omogućila isključivo nadzirana obuka.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/hr/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)Duboko učenje↔ compare
- Dugo kratkoročno pamćenje (LSTM)Duboko učenje↔ compare
- Samonadzorovani GRUDuboko učenje↔ compare
- Polu-nadgledani LSTMDuboko učenje↔ compare
- Poluučeni TransformerDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →