Polosupervizovaný GRU
Polosupervizovaný GRU aplikuje architektúru Gated Recurrent Unit na nastavenia, kde je označená iba malá časť sekvenčných údajov. Predbežným tréningom alebo spoločným tréningom na hojných neoznačených sekvenciách – prostredníctvom jazykového modelovania, autoenkódovania alebo konzistenčnej regularizácie – a následným doladením na označených príkladoch model využíva celý korpus na naučenie bohatších sekvenčných reprezentácií, než by umožnil iba supervizovaný tréning.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/sk/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)Hlboké učenie↔ compare
- Long Short-Term Memory (LSTM)Hlboké učenie↔ compare
- Samoučujúca sa GRUHlboké učenie↔ compare
- Semi-supervised LSTMHlboké učenie↔ compare
- Polosamoučený TransformerHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →