RNN Pengawasan Lemah
Sebuah RNN pengawasan lemah melatih jaringan saraf berulang (recurrent neural network) pada urutan yang labelnya berasal dari sumber yang tidak sempurna — aturan heuristik, pengawasan jarak jauh (distant supervision), crowdsourcing, atau model label generatif — alih-alih anotasi pakar yang mahal. Hal ini memungkinkan peneliti untuk memanfaatkan korpus berlabel besar untuk tugas berurutan seperti klasifikasi teks, pengenalan entitas bernama (named entity recognition), atau prediksi deret waktu (time-series prediction) ketika data beranotasi penuh langka atau mahal.
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., 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/id/deep-learning/weakly-supervised-recurrent-neural-network
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
- LSTM yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
- Transformer Supervised LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →