降低维度GLoVE向量并从bi-GRU切换到uni-GRU应该减少过度拟合

Question

假设我有一个文本分类问题，它的训练集很小，大约有2000个句子作为训练示例，大约有130个班级。

我的模型包括：

1. 100d GloVe嵌入输入
2. 归一化和辍学
3. 1层bi-GRU
4. 退出
5. 致密层（用于分类）

假设所有超参数调整都正确，但是我仍然有很高的方差（大约15％的dev误差），可以将嵌入大小减小到50d并更改为uni-GRU有助于减少方差吗？

对此我不太确定，因为从技术上减少特征的数量和模型大小可以帮助减少差异，但是我不确定这是否也适用于预训练的嵌入大小和RNN的方向。