GRU Semi-supervisionado
GRU Semi-supervisionado aplica a arquitetura Gated Recurrent Unit a cenários onde apenas uma pequena fração dos dados sequenciais é rotulada. Pré-treinando ou treinando conjuntamente em sequências não rotuladas abundantes — através de modelagem de linguagem, auto-codificação ou regularização de consistência — e depois ajustando em exemplos rotulados, o modelo explora todo o corpus para aprender representações de sequência mais ricas do que o treinamento puramente supervisionado permitiria.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/pt/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.
- Unidade Recorrente Gated (GRU)Aprendizado profundo↔ compare
- Long Short-Term Memory (LSTM)Aprendizado profundo↔ compare
- GRU auto-supervisionadaAprendizado profundo↔ compare
- LSTM SemissupervisionadaAprendizado profundo↔ compare
- Transformador SemissupervisionadoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →