Слабо контролиран GRU
Слабо контролиран GRU обучава мрежа Gated Recurrent Unit върху последователности, етикетирани от несъвършени, евристични или програмни източници, вместо от скъпи ръчно анотирани истински данни. Той комбинира ефективността на GRU при улавяне на времеви зависимости с техники за слабо наблюдение, които агрегират шумни етикети, позволявайки практическо моделиране на последователности, когато големи напълно етикетирани набори от данни не са налични.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ratner, A. J., De Sa, C. M., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. NIPS 2014 Workshop on Deep Learning. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/bg/deep-learning/weakly-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.
- Вентилна рекурентна единица (GRU)Дълбоко обучение↔ compare
- Дългосрочна краткосрочна памет (LSTM)Дълбоко обучение↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
- Полу-наблюдаван GRUДълбоко обучение↔ compare
- Слабо контролиран LSTMДълбоко обучение↔ compare
- Слабо контролиран ТрансформърДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →