Półnadzorowany GRU
Półnadzorowany GRU stosuje architekturę Gated Recurrent Unit (GRU) do zastosowań, w których tylko niewielka część danych sekwencyjnych jest oznaczona. Poprzez wstępne trenowanie lub wspólne trenowanie na obfitych nieoznakowanych sekwencjach — za pomocą modelowania języka, autoenkodowania lub regularyzacji spójności — a następnie dostrajanie na oznaczonych przykładach, model wykorzystuje cały korpus do nauki bogatszych reprezentacji sekwencji, niż pozwoliłoby na to trenowanie wyłącznie nadzorowane.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/pl/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)Uczenie głębokie↔ compare
- Długa pamięć krótkotrwała (LSTM)Uczenie głębokie↔ compare
- Samonadzorowany GRUUczenie głębokie↔ compare
- Półnadzorowane sieci LSTMUczenie głębokie↔ compare
- Transformery z uczeniem półnadzorowanymUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →