Slabě Supervizovaný GRU
Slabě Supervizovaný GRU trénuje rekurentní neuronovou síť s hradlováním (Gated Recurrent Unit) na sekvencích označených nepřesnými, heuristickými nebo programovými zdroji namísto nákladných ručně anotovaných správných dat. Kombinuje efektivitu GRU při zachycování časových závislostí s technikami slabé supervize, které agregují šumová označení, což umožňuje praktické modelování sekvencí, když nejsou k dispozici velké plně označené datové sady.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/cs/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.
- Gated Recurrent Unit (GRU)Hluboké učení↔ compare
- Dlouhodobá krátkodobá paměť (LSTM)Hluboké učení↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
- Polo-dohledová GRUHluboké učení↔ compare
- Slabě supervizovaný LSTMHluboké učení↔ compare
- Slabě supervizovaný TransformerHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →