Vāji uzraudzīts GRU
Vāji uzraudzīts GRU (Weakly Supervised GRU) apmāca Gated Recurrent Unit (GRU) tīklu secībām, kuras ir marķētas ar neperfektiem, heuristiskiem vai programmatiskajiem avotiem, nevis ar dārgiem manuāli anotētiem patiesības datiem. Tas apvieno GRU efektivitāti laika atkarību uztveršanā ar vājās uzraudzības metodēm, kas apkopo trokšņainus marķējumus, ļaujot praktiski modelēt secības, kad nav pieejami lieli, pilnībā marķēti datu kopumi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/lv/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)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- Pusuzraudzīts GRUDziļā mācīšanās↔ compare
- Vāji uzraudzīta LSTMDziļā mācīšanās↔ compare
- Vāji uzraudzīts TransformersDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →