Recurrent Neural Network Adaptif Domain
Recurrent Neural Network Adaptif Domain (DA-RNN) adalah recurrent neural network yang dilatih pada domain sumber dan diadaptasi ke domain target menggunakan teknik adaptasi domain seperti adversarial training, penyelarasan fitur, atau fine-tuning. Ini memungkinkan model sekuensial untuk menggeneralisasi lintas domain ketika data domain target berlabel langka atau tidak tersedia.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/id/deep-learning/domain-adaptive-recurrent-neural-network
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Klasifikasi Berbasis BERT Adaptif DomainPembelajaran Mendalam↔ bandingkan
- Transformer Adaptif DomainPembelajaran Mendalam↔ bandingkan
- Jaringan Saraf Berulang yang Disesuaikan HalusPembelajaran Mendalam↔ bandingkan
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ bandingkan
- Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Pembelajaran Mendalam↔ bandingkan
- Transfer Learning dengan Recurrent Neural NetworkPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →