Svagt overvåget GRU
Svagt overvåget GRU træner et Gated Recurrent Unit-netværk på sekvenser, der er mærket af ufuldkomne, heuristiske eller programmatiske kilder snarere end dyre håndannoterede sandhedsværdier. Det kombinerer GRU'ens effektivitet til at fange tidsmæssige afhængigheder med svag-overvågningsteknikker, der aggregerer støjende etiketter, hvilket muliggør praktisk sekvensmodellering, når store fuldt mærkede datasæt ikke er tilgængelige.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/da/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)Dyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- Semi-superviseret GRUDyb læring↔ compare
- Svagt superviseret LSTMDyb læring↔ compare
- Svagt superviseret TransformerDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →