A Comparative study of Long Short-Term Memory and Gated Recurrent Unit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In natural language processing (NLP), the assumption that a neural network has an independent state among data samples does not apply to sequential data.Hence recurrent neural networks (RNN) have played a key role in sequential dependency in natural language processing with the key features of providing context to the processing and tackling vanishing gradient.Long Short-Term Memory Units (LSTM) are RNN blocks that can retain essential information even if it is far from the current point of analysis (extended memory).Still, they also have a fading effect that favours closer information (short memory).Despite this, they still need to remember vital details far from their current position, which goes against the intent of the extended memory effect.Gated Recurrent Units (GRU) have shown excellent results in sequential data and were introduced to overcome the limitations of LSTM by using two vectors (update gate and reset gate) to decide what information passes to the output.They can also train to keep data for a long time without it washing it through time or removing information irrelevant to the prediction.Some scholars suggest that gated recurrent units could be a suitable replacement for long short term memory.This comparative study presented the performance difference between LSTM and GRU and their bi-directional-based neural networks when they face the task of classifying text data.The evaluation of Gated Recurrent Unit (GRU) versus Long Short Term Memory (LSTM) and their bi-directional versions were carried out on a task of a website based on its content.Our analysis showed that a gated recurrent unit (GRU) is a good substitute for long short-term memory for text data classification.The bi-directional GRU outperformed the bi-direction LSTM.We recommend a gated recurrent unit as a better alternative to Long Short Term Memory on text data classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle