Semi-supervised GRU
Semi-supervised GRU past de Gated Recurrent Unit-architectuur toe op instellingen waarbij slechts een klein deel van de sequentiële gegevens is gelabeld. Door eerst voor te trainen of gezamenlijk te trainen op overvloedige ongelabelde sequenties — via taalmodellering, auto-encoding of consistentieregulering — en vervolgens te fine-tunen op gelabelde voorbeelden, benut het model het volledige corpus om rijkere sequentievoorstellingen te leren dan alleen-supervisie training zou toestaan.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/nl/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)Deep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Zelf-gesuperviseerde GRUDeep learning↔ compare
- Semi-supervised LSTMDeep learning↔ compare
- Semi-supervised TransformerDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →