Semi-supervised GRU
Semi-supervised GRU anvender Gated Recurrent Unit-arkitekturen på innstillinger der bare en liten brøkdel av sekvensielle data er merket. Ved først å forhåndstrene eller trene sammen på rikelige umerkede sekvenser — gjennom språkmodellering, auto-koding eller konsistensregularisering — og deretter finjustere på merkede eksempler, utnytter modellen hele korpuset til å lære rikere sekvensrepresentasjoner enn det som er mulig med kun overvåket trening.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/no/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)Dyp læring↔ compare
- Langtidskorttidsminne (LSTM)Dyp læring↔ compare
- Selvveiledet GRUDyp læring↔ compare
- Semi-supervised LSTMDyp læring↔ compare
- Semi-supervisert TransformerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →