Schwach überwachtes GRU
Schwach überwachtes GRU trainiert ein Gated Recurrent Unit-Netzwerk auf Sequenzen, die durch unvollkommene, heuristische oder programmatische Quellen und nicht durch kostspielige handannotierte Ground Truth gekennzeichnet sind. Es kombiniert die Effizienz des GRU bei der Erfassung temporaler Abhängigkeiten mit Weak-Supervision-Techniken, die verrauschte Labels aggregieren, was eine praktische Sequenzmodellierung ermöglicht, wenn große, vollständig gelabelte Datensätze nicht verfügbar sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/de/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)Deep Learning↔ compare
- Long Short-Term Memory (LSTM)Deep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- Semi-supervised GRUDeep Learning↔ compare
- Schwache überwachte LSTMDeep Learning↔ compare
- Schwach überwachter TransformerDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →