Domēnam adaptīvs GRU
Domēnam adaptīvs GRU apvieno vārtoto rekurento vienību (GRU) arhitektūru ar domēna adaptācijas metodēm, lai apmācītu secību modeli iezīmētā avota domēnā un pārnestu to uz atšķirīgu, bet saistītu mērķa domēnu, tādējādi samazinot veiktspējas pasliktināšanos, ko izraisa sadalījuma nobīde. To plaši izmanto dabiskās valodas apstrādes (NLP) uzdevumos, piemēram, starpdomēnu noskaņojuma analīzē, nosaukto entītiju atpazīšanā un teksta klasifikācijā, kur iezīmētu mērķa domēna datu ir maz.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Domain-Adaptive Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/lv/deep-learning/domain-adaptive-gru
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Adaptīvs domēna rekurentais neironu tīklsDziļā mācīšanās↔ salīdzināt
- Adaptīvs domēna pārneses TransformerDziļā mācīšanās↔ salīdzināt
- Pielāgotais GRUDziļā mācīšanās↔ salīdzināt
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →