Svagt superviseret recurrent neuralt netværk
Et svagt superviseret RNN træner et recurrent neuralt netværk på sekvenser, hvis etiketter stammer fra uperfekte kilder – heuristiske regler, fjernsupervision, crowdsourcing eller generative etiketmodeller – snarere end dyre ekspertannotationer. Dette giver forskere mulighed for at udnytte store umærkede korpora til sekventielle opgaver som tekstklassifikation, navngiven enhedsgenkendelse eller tidsserieforudsigelse, når fuldt annoterede data er knappe eller dyre.
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., De Sa, C., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Zhou, Z.-H. (2018). A brief introduction to weakly supervised learning. National Science Review, 5(1), 44–53. DOI: 10.1093/nsr/nwx106 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/da/deep-learning/weakly-supervised-recurrent-neural-network
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
- Svagt superviseret LSTMDyb læring↔ compare
- Svagt superviseret TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →