GRU auto-supervisionato
Il GRU auto-supervisionato (Self-supervised GRU) addestra una rete neurale a unità ricorrente con gate (Gated Recurrent Unit, GRU) utilizzando segnali di supervisione costruiti automaticamente — come la previsione del passo successivo o il recupero di token mascherati — derivati dai dati non etichettati stessi. Le rappresentazioni di sequenza apprese vengono poi messe a punto su piccoli dataset etichettati, rendendo fattibile la modellazione sequenziale di alta qualità quando le annotazioni sono scarse.
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 Merriënboer, 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. link ↗
- Liu, X., Zhang, F., Hou, Z., Mian, L., Wang, Z., Zhang, J., & Tang, J. (2023). Self-Supervised Learning: Generative or Contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1), 857–876. DOI: 10.1109/TKDE.2021.3090866 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/it/deep-learning/self-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.
- Unità Ricorrente con Gate (GRU)Apprendimento profondo↔ compare
- Long Short-Term Memory (LSTM)Apprendimento profondo↔ compare
- Transformer auto-supervisionatoApprendimento profondo↔ compare
- GRU semi-supervisionatoApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →