Запис доказів методу
Fine-Tuned GRU
Fine-Tuned GRU adapts a Gated Recurrent Unit network — pre-trained on a large source dataset — to a specific target task or domain by continuing training on domain-specific labeled data. This combines the sequential memory capacity of GRUs with the efficiency gains of transfer learning, achieving strong performance even when labeled target data is scarce.
Запис джерела
Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.
Fine-Tuned Gated Recurrent Unit Network
Запис таксономічного методу · ml-model / deep-learning
- 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. In Proceedings of EMNLP 2014, pp. 1724-1734. · URL
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. · DOI 10.1109/TKDE.2009.191
Відібрані твердження
Твердження збережено в журналі доказів, кожне зі своєю оцінкою.
Відібраних тверджень ще немає
Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.
Пов'язані методи
Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.