Rangkaian Neural Berulang yang Diawasi Secara Lemah
Rangkaian Neural Berulang (RNN) yang diawasi secara lemah melatih RNN pada jujukan yang labelnya diperoleh daripada sumber yang tidak sempurna — peraturan heuristik, penyeliaan jarak jauh, kutipan orang ramai, atau model label generatif — berbanding anotasi pakar yang mahal. Ini membolehkan penyelidik mengeksploitasi korpus besar yang tidak berlabel untuk tugasan jujukan seperti klasifikasi teks, pengecaman entiti bernama, atau ramalan siri masa apabila data beranotasi penuh jarang atau mahal.
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., 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/ms/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)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
- LSTM Penyeliaan LemahPembelajaran Mendalam↔ compare
- Transformer Berpenyeliaan LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →