Machine learningDeep learning / NLP / CV
약지도 GRU
약지도 GRU는 비용이 많이 드는 수작업 주석이 달린 정답(ground truth) 대신 불완전하거나, 휴리스틱하거나, 프로그래밍 방식의 소스에 의해 레이블이 지정된 시퀀스에 대해 Gated Recurrent Unit 네트워크를 훈련합니다. 이는 GRU의 시간적 종속성 포착 효율성과 노이즈가 있는 레이블을 집계하는 약지도(weak-supervision) 기술을 결합하여, 대규모의 완전 레이블링된 데이터셋을 사용할 수 없을 때 실용적인 시퀀스 모델링을 가능하게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/ko/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.
- Gated Recurrent Unit (GRU)딥러닝↔ compare
- Long Short-Term Memory (LSTM)딥러닝↔ compare
- 순환 신경망딥러닝↔ compare
- 준지도 GRU딥러닝↔ compare
- 약지도 학습 LSTM딥러닝↔ compare
- 약지도 트랜스포머딥러닝↔ compare