GRU faiblement supervisé
Le GRU faiblement supervisé entraîne un réseau Gated Recurrent Unit sur des séquences étiquetées par des sources imparfaites, heuristiques ou programmatiques, plutôt que par une vérité terrain coûteuse annotée manuellement. Il combine l'efficacité du GRU pour capturer les dépendances temporelles avec des techniques de faible supervision qui agrègent des étiquettes bruitées, permettant une modélisation de séquences pratique lorsque de grands ensembles de données entièrement étiquetés ne sont pas disponibles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/fr/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.
- Unité récurrente "gated" (GRU)Apprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- GRU semi-superviséApprentissage profond↔ compare
- LSTM faiblement superviséApprentissage profond↔ compare
- Transformeur faiblement superviséApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →