GRU yang Diawasi Secara Lemah
GRU yang Diawasi Secara Lemah melatih jaringan Gated Recurrent Unit pada urutan yang diberi label oleh sumber yang tidak sempurna, heuristik, atau terprogram daripada kebenaran dasar yang dianotasi secara manual dan mahal. Metode ini menggabungkan efisiensi GRU dalam menangkap dependensi temporal dengan teknik pengawasan lemah yang mengagregasi label yang berisik, memungkinkan pemodelan urutan yang praktis ketika kumpulan data berlabel penuh yang besar tidak tersedia.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/id/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.
- Unit Berulang Bergerbang (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Pembelajaran Mendalam↔ compare
- GRU Semi-terawasiPembelajaran Mendalam↔ compare
- LSTM yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
- Transformer Supervised LemahPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →