Machine learningDeep learning / NLP / CV
자기 지도 GRU
자기 지도 GRU는 레이블이 없는 데이터 자체에서 파생된 자동 구성된 지도 신호(예: 다음 단계 예측 또는 마스킹된 토큰 복구)를 사용하여 Gated Recurrent Unit 네트워크를 훈련합니다. 학습된 시퀀스 표현은 소량의 레이블이 지정된 데이터셋에서 미세 조정되어, 주석이 부족할 때도 고품질의 순차 모델링을 가능하게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Self-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/ko/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.
- Gated Recurrent Unit (GRU)딥러닝↔ compare
- Long Short-Term Memory (LSTM)딥러닝↔ compare
- Self-supervised Transformer딥러닝↔ compare
- 준지도 GRU딥러닝↔ compare