Vāji uzraudzīts rekurentais neironu tīkls
Vāji uzraudzīts rekurentais neironu tīkls (RNN) tiek apmācīts uz sekvencēm, kuru etiķetes nāk no neperfektiem avotiem — heuristiskiem noteikumiem, attālinātu uzraudzību, kopienas darbu vai ģeneratīviem etiķešu modeļiem — nevis no dārgām ekspertu anotācijām. Tas ļauj pētniekiem izmantot lielus neanotētus korpusus sekvenču uzdevumiem, piemēram, teksta klasifikācijai, nosaukto entitāšu atpazīšanai vai laika sēriju prognozēšanai, kad pilnībā anotēti dati ir reti vai dārgi.
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., 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/lv/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.
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- Vāji uzraudzīta LSTMDziļā mācīšanās↔ compare
- Vāji uzraudzīts TransformersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →