Réseau neuronal récurrent à supervision faible
Un RNN à supervision faible (Weakly Supervised RNN) entraîne un réseau neuronal récurrent sur des séquences dont les étiquettes proviennent de sources imparfaites — règles heuristiques, supervision distante, crowdsourcing ou modèles génératifs d'étiquettes — plutôt que d'une annotation experte coûteuse. Cela permet aux chercheurs d'exploiter de grands corpus non étiquetés pour des tâches séquentielles telles que la classification de texte, la reconnaissance d'entités nommées ou la prédiction de séries temporelles lorsque les données entièrement annotées sont rares ou coûteuses.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/fr/deep-learning/weakly-supervised-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.
- Unité récurrente "gated" (GRU)Apprentissage profond↔ comparer
- Long Short-Term Memory (LSTM)Apprentissage profond↔ comparer
- Réseau de neurones récurrentApprentissage profond↔ comparer
- LSTM faiblement superviséApprentissage profond↔ comparer
- Transformeur faiblement superviséApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →