GRU Separa-Selia
GRU Separa-Selia mengaplikasikan seni bina Gated Recurrent Unit kepada tetapan di mana hanya sebahagian kecil data berjujukan dilabelkan. Dengan pra-latihan awal atau latihan bersama pada jujukan tidak berlabel yang banyak — melalui pemodelan bahasa, pengekodan auto, atau regularisasi konsistensi — dan kemudian penalaan halus pada contoh berlabel, model ini mengeksploitasi korpus penuh untuk mempelajari representasi jujukan yang lebih kaya daripada yang dibenarkan oleh latihan separa-selia sahaja.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/ms/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)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- GRU Kendiri-TerawasiPembelajaran Mendalam↔ compare
- LSTM Separuh-SeliaPembelajaran Mendalam↔ compare
- Transformer Separa-SeliaanPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →