Félfelügyelt GRU
A félfelügyelt GRU (Gated Recurrent Unit) architektúrát olyan helyzetekben alkalmazza, ahol a szekvenciális adatoknak csak egy kis töredéke címkézett. Azáltal, hogy bőséges, nem címkézett szekvenciákon előképzést vagy közös képzést végez – nyelvmodellezés, autoenkódolás vagy konzisztencia-regularizáció révén –, majd címkézett példákon finomhangol, a modell a teljes korpuszt kihasználja, hogy gazdagabb szekvenciareprezentációkat tanuljon, mint amit a csak felügyelt képzés lehetővé tenne.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/hu/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)Mélytanulás↔ compare
- Long Short-Term Memory (LSTM)Mélytanulás↔ compare
- Önfelügyelt GRUMélytanulás↔ compare
- Félfelügyelt LSTMMélytanulás↔ compare
- Félfelügyelt TransformerMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →