Réseau de neurones récurrent à adaptation de domaine
Un réseau de neurones récurrent à adaptation de domaine (DA-RNN) est un réseau de neurones récurrent entraîné sur un domaine source et adapté à un domaine cible à l'aide de techniques d'adaptation de domaine telles que l'entraînement contradictoire, l'alignement de caractéristiques ou le réglage fin. Il permet aux modèles séquentiels de généraliser entre les domaines lorsque les données étiquetées du domaine cible sont rares ou indisponibles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/fr/deep-learning/domain-adaptive-recurrent-neural-network
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Classification basée sur BERT et adaptée au domaineApprentissage profond↔ comparer
- Transformeur à adaptation de domaineApprentissage profond↔ comparer
- Réseau neuronal récurrent affinéApprentissage profond↔ comparer
- Long Short-Term Memory (LSTM)Apprentissage profond↔ comparer
- Réseau de neurones récurrentApprentissage profond↔ comparer
- Apprentissage par transfert avec réseau neuronal récurrentApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →