GRU Berbantukan Pengawasan Lemah
GRU Berbantukan Pengawasan Lemah melatih rangkaian Unit Berulang Berkunci (Gated Recurrent Unit) pada jujukan yang dilabeli oleh sumber yang tidak sempurna, heuristik, atau programatik berbanding data sebenar yang dilabeli secara manual yang mahal. Ia menggabungkan kecekapan GRU dalam menangkap kebergantungan temporal dengan teknik pengawasan lemah yang menggabungkan label yang bising, membolehkan pemodelan jujukan yang praktikal apabila set data berlabel penuh tidak tersedia.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/ms/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)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
- GRU Separa-SeliaPembelajaran Mendalam↔ compare
- LSTM Penyeliaan LemahPembelajaran Mendalam↔ compare
- Transformer Berpenyeliaan LemahPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →