Полу-надгледани GRU
Полу-надгледани GRU примењује архитектуру Gated Recurrent Unit (GRU) на сценарије где је само мали део секвенцијалних података означен. Претходним тренирањем или заједничким тренирањем на изобилним неозначеним секвенцама — путем моделирања језика, аутоенкодера или регуларизације конзистентности — а затим финим подешавањем на означеним примерима, модел користи цео корпус да научи богатије секвенцијалне репрезентације него што би то дозволило тренирање само уз надзор.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/sr/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)Duboko učenje↔ compare
- Long Short-Term Memory (LSTM)Duboko učenje↔ compare
- Samostalno nadgledani GRUDuboko učenje↔ compare
- Полу-надгледани LSTMDuboko učenje↔ compare
- Полу-надгледани ТрансформерDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →