Semi-supervised GRU
Semi-supervised GRU tillämpar Gated Recurrent Unit-arkitekturen på scenarier där endast en liten andel av sekventiell data är märkt. Genom att först förträna eller gemensamt träna på rikliga omärkta sekvenser – via språkmodellering, auto-kodning eller konsistensregularisering – och sedan finjustera på märkta exempel, utnyttjar modellen hela korpusen för att lära sig rikare sekvensrepresentationer än vad enbart övervakad träning skulle tillåta.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/sv/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)Djupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
- Självövervakad GRUDjupinlärning↔ compare
- Semi-supervised LSTMDjupinlärning↔ compare
- Semi-supervised TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →