Domæneadaptivt Rekurrent Neuralt Netværk
Et domæneadaptivt rekurrent neuralt netværk (DA-RNN) er et rekurrent neuralt netværk, der er trænet på et kildedomæne og tilpasset et måldomæne ved hjælp af domæneadaptationsteknikker som adversariel træning, feature-justering eller finjustering. Det gør det muligt for sekventielle modeller at generalisere på tværs af domæner, når mærkede data fra måldomænet er knappe eller utilgængelige.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/da/deep-learning/domain-adaptive-recurrent-neural-network
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Domæne-adaptiv BERT-baseret klassifikationDyb læring↔ sammenlign
- Domæne-adaptiv TransformerDyb læring↔ sammenlign
- Finetunet Recurrent Neural NetworkDyb læring↔ sammenlign
- Long Short-Term Memory (LSTM)Dyb læring↔ sammenlign
- Recurrent Neural NetworkDyb læring↔ sammenlign
- Overførselslæring med Recurrent Neural NetworkDyb læring↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →