Zelf-gesuperviseerde GRU
Zelf-gesuperviseerde GRU traint een Gated Recurrent Unit-netwerk met behulp van automatisch geconstrueerde supervisiesignalen — zoals voorspelling van de volgende stap of herstel van gemaskeerde tokens — die zijn afgeleid van de ongelabelde data zelf. De geleerde sequentie-representaties worden vervolgens gefinetuned op kleine gelabelde datasets, waardoor hoogwaardige sequentiële modellering haalbaar wordt wanneer annotaties schaars zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/nl/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)Deep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Zelf-gesuperviseerde TransformerDeep learning↔ compare
- Semi-supervised GRUDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →