Zwak gesuperviseerde GRU
Zwaktegesuperviseerde GRU traint een Gated Recurrent Unit-netwerk op sequenties die zijn gelabeld door imperfecte, heuristische of programmatische bronnen, in plaats van door kostbare handmatig geannoteerde grondwaarheid. Het combineert de efficiëntie van de GRU in het vastleggen van temporele afhankelijkheden met zwakte-supervisietechnieken die ruisende labels aggregeren, wat praktische sequentiemodellering mogelijk maakt wanneer grote, volledig gelabelde datasets niet beschikbaar zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/nl/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)Deep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Recurrent Neuraal NetwerkDeep learning↔ compare
- Semi-supervised GRUDeep learning↔ compare
- Zwakke gesuperviseerde LSTMDeep learning↔ compare
- Zwakke Supervised TransformerDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →