Domeinadaptief Recurrent Neuraal Netwerk
Een Domeinadaptief Recurrent Neuraal Netwerk (DA-RNN) is een recurrent neuraal netwerk dat getraind is op een brondomein en aangepast aan een doeldomein met behulp van domeinadaptatietechnieken zoals adversariële training, feature-uitlijning of fine-tuning. Het stelt sequentiële modellen in staat om te generaliseren over domeinen heen wanneer gelabelde doeldomeindata schaars of niet beschikbaar zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/nl/deep-learning/domain-adaptive-recurrent-neural-network
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Domein-adaptieve BERT-gebaseerde ClassificatieDeep learning↔ vergelijken
- Domein-Adaptieve TransformerDeep learning↔ vergelijken
- Fijn-afgestemd Recurrent Neural NetworkDeep learning↔ vergelijken
- Long Short-Term Memory (LSTM)Deep learning↔ vergelijken
- Recurrent Neuraal NetwerkDeep learning↔ vergelijken
- Transfer Learning met Recurrent Neural NetworkDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →