GRU Adattivo al Dominio
Il GRU Adattivo al Dominio combina l'architettura Gated Recurrent Unit con tecniche di adattamento al dominio per addestrare un modello sequenziale su un dominio sorgente etichettato e trasferirlo a un dominio target diverso ma correlato, riducendo il degrado delle prestazioni causato dallo spostamento di distribuzione. È ampiamente applicato in compiti di NLP come l'analisi del sentiment cross-dominio, il riconoscimento di entità nominate e la classificazione del testo, dove i dati etichettati del dominio target sono scarsi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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). Association for Computational Linguistics. link ↗
- Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(1), 2096–2030. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Domain-Adaptive Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/it/deep-learning/domain-adaptive-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.
- Rete Neurale Ricorrente Adattiva al DominioApprendimento profondo↔ compare
- Transformer Adattivo al DominioApprendimento profondo↔ compare
- GRU Adattato (Fine-Tuned GRU)Apprendimento profondo↔ compare
- Unità Ricorrente con Gate (GRU)Apprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →