Machine learningDeep learning / NLP / CV

Полу-контролируемый GRU

Полу-контролируемый GRU применяет архитектуру Gated Recurrent Unit к сценариям, где размечена лишь небольшая доля последовательных данных. Предварительно обучая или совместно обучая на большом количестве неразмеченных последовательностей — посредством языкового моделирования, автокодирования или регуляризации согласованности — а затем дообучая на размеченных примерах, модель использует весь корпус для изучения более богатых представлений последовательностей, чем это позволило бы обучение только в режиме контроля.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. Dai, A. M., & Le, Q. V. (2015). Semi-supervised Sequence Learning. Advances in Neural Information Processing Systems (NeurIPS), 28. link
  2. 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

Как цитировать эту страницу

ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/ru/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.

Compare side by side

Упоминается в

ScholarGateSemi-supervised GRU (Semi-supervised Gated Recurrent Unit). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/semi-supervised-gru · Набор данных: https://doi.org/10.5281/zenodo.20539026