Rangkaian Saraf Berulang Adaptif Domain
Rangkaian Saraf Berulang Adaptif Domain (DA-RNN) ialah rangkaian saraf berulang yang dilatih pada domain sumber dan diadaptasi kepada domain sasaran menggunakan teknik penyesuaian domain seperti latihan adversarial, penjajaran ciri, atau penalaan halus. Ia membolehkan model jujukan untuk menggeneralisasi merentasi domain apabila data domain sasaran berlabel adalah terhad atau tidak tersedia.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/ms/deep-learning/domain-adaptive-recurrent-neural-network
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Klasifikasi Berasaskan BERT Adaptif DomainPembelajaran Mendalam↔ banding
- Transformer Adaptif DomainPembelajaran Mendalam↔ banding
- Rangkaian Neural Berulang yang Ditalar HalusPembelajaran Mendalam↔ banding
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ banding
- Jaringan Saraf BerulangPembelajaran Mendalam↔ banding
- Pembelajaran Pemindahan dengan Rangkaian Saraf BerulangPembelajaran Mendalam↔ banding
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →