Heikosti ohjattu rekurrentti neuroverkko
Heikosti ohjattu RNN kouluttaa rekurrenttia neuroverkkoa sekvensseillä, joiden tunnisteet tulevat epätäydellisistä lähteistä – heuristisista säännöistä, etävalvonnasta, joukkoistamisesta tai generatiivisista tunnistemalleista – kalliin asiantuntija-annotaation sijaan. Tämä antaa tutkijoille mahdollisuuden hyödyntää suuria merkitsemättömiä korpuksia sekvenssitehtäviin, kuten tekstin luokitteluun, nimettyjen entiteettien tunnistukseen tai aikasarjaennustukseen, kun täysin annotoitu data on niukkaa tai kallista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/fi/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)Syväoppiminen↔ compare
- Pitkä lyhytkestoinen muisti (LSTM)Syväoppiminen↔ compare
- Rekurrentti neuroverkkoSyväoppiminen↔ compare
- Heikosti ohjattu LSTMSyväoppiminen↔ compare
- Heikosti valvottu TransformerSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →