GRU Supervisat Feblement
El GRU Supervisat Feblement entrena una xarxa Gated Recurrent Unit (GRU) amb seqüències etiquetades per fonts imperfectes, heurístiques o programàtiques, en lloc de veritat fonamental anotada manualment i costosa. Combina l'eficiència del GRU per capturar dependències temporals amb tècniques de supervisió feble que agreguen etiquetes sorolloses, permetent la modelització pràctica de seqüències quan no hi ha conjunts de dades completament etiquetats disponibles.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/ca/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.
- Unitat recurrent amb portes (GRU)Aprenentatge profund↔ compare
- Long Short-Term Memory (LSTM)Aprenentatge profund↔ compare
- Xarxa Neuronal RecurrentAprenentatge profund↔ compare
- GRU semi-supervisadaAprenentatge profund↔ compare
- LSTM supervisat feblementAprenentatge profund↔ compare
- Transformer amb supervisió febleAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →