شبکه عصبی بازگشتی با نظارت ضعیف
یک شبکه عصبی بازگشتی (RNN) با نظارت ضعیف، یک شبکه عصبی بازگشتی را بر روی دنبالههایی آموزش میدهد که برچسبهای آنها از منابع ناکارآمدی مانند قوانین ابتکاری، نظارت از راه دور، جمعسپاری، یا مدلهای تولیدکننده برچسب به دست آمدهاند، به جای حاشیهنویسی تخصصی پرهزینه. این امر به پژوهشگران اجازه میدهد تا از مجموعههای بزرگ داده بدون برچسب برای وظایف ترتیبی مانند طبقهبندی متن، تشخیص موجودیت نامدار، یا پیشبینی سریهای زمانی، زمانی که دادههای با برچسب کامل کمیاب یا پرهزینه هستند، بهره ببرند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/fa/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.
- واحد تکرارشونده گیتدار (GRU)یادگیری عمیق↔ compare
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- شبکه حافظه طولانی کوتاه (LSTM) تحت نظارت ضعیف (Weakly Supervised LSTM)یادگیری عمیق↔ compare
- ترنسفورمر با نظارت ضعیفیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →