Gated Recurrent Units (GRU) werden als vereinfachte Version von LSTMs eingeführt. GRUs adressieren die gleichen Probleme wie traditionelle RNNs, wie beispielsweise verschwindende Gradienten, jedoch mit weniger Parametern, was sie schneller und recheneffizienter macht.

• GRU-Struktur: Ein GRU besitzt zwei Hauptkomponenten—Reset-Gate und Update-Gate. Diese Gates steuern den Informationsfluss in das Netzwerk und aus dem Netzwerk heraus, ähnlich wie die Gates bei LSTMs, jedoch mit weniger Operationen;
• Reset-Gate: Das Reset-Gate bestimmt, wie viel des vorherigen Speichers vergessen werden soll. Es gibt einen Wert zwischen 0 und 1 aus, wobei 0 "vergessen" und 1 "behalten" bedeutet;
• Update-Gate: Das Update-Gate entscheidet, wie viel der neuen Information in den aktuellen Speicher übernommen werden soll. Es hilft, den Lernprozess des Modells zu regulieren;
• Vorteile von GRUs: GRUs verfügen über weniger Gates als LSTMs, was sie einfacher und rechnerisch weniger aufwendig macht. Trotz ihrer einfacheren Struktur erzielen sie bei vielen Aufgaben oft vergleichbare Leistungen wie LSTMs;
• Anwendungsgebiete von GRUs: GRUs werden häufig in Anwendungen wie Spracherkennung, Sprachmodellierung und maschineller Übersetzung eingesetzt, bei denen es darauf ankommt, langfristige Abhängigkeiten zu erfassen, jedoch ohne den Rechenaufwand von LSTMs.

Zusammenfassend sind GRUs eine effizientere Alternative zu LSTMs und bieten eine vergleichbare Leistung bei einer einfacheren Architektur, wodurch sie sich für Aufgaben mit großen Datensätzen oder Echtzeitanwendungen eignen.