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.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
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.
- Сверточный рекуррентный блок (GRU)Глубокое обучение↔ compare
- Долговременная краткосрочная память (LSTM)Глубокое обучение↔ compare
- Самообучающаяся GRUГлубокое обучение↔ compare
- Полусупервизорная LSTMГлубокое обучение↔ compare
- Трансформер с полуавтоматическим обучениемГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →