Red Neuronal Recurrente Adaptativa al Dominio
Una Red Neuronal Recurrente Adaptativa al Dominio (DA-RNN) es una red neuronal recurrente entrenada en un dominio fuente y adaptada a un dominio objetivo utilizando técnicas de adaptación de dominio como entrenamiento adversario, alineación de características o ajuste fino. Permite que los modelos secuenciales generalicen entre dominios cuando los datos etiquetados del dominio objetivo son escasos o inexistentes.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/es/deep-learning/domain-adaptive-recurrent-neural-network
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Clasificación basada en BERT adaptada al dominioAprendizaje profundo↔ comparar
- Transformador de Adaptación de DominioAprendizaje profundo↔ comparar
- Red Neuronal Recurrente Ajustada FinamenteAprendizaje profundo↔ comparar
- Memoria a Largo Plazo (LSTM)Aprendizaje profundo↔ comparar
- Red Neuronal RecurrenteAprendizaje profundo↔ comparar
- Aprendizaje por transferencia con Red Neuronal RecurrenteAprendizaje profundo↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →