Svakt veiledet GRU
Svakt veiledet GRU trener et Gated Recurrent Unit-nettverk på sekvenser merket av ufullkomne, heuristiske eller programmatiske kilder, i stedet for kostbare håndmerkede sannhetsdata. Den kombinerer GRUs effektivitet til å fange tidsmessige avhengigheter med svakt veiledningsteknikker som aggregerer støyende merkelapper, noe som muliggjør praktisk sekvensmodellering når store, fullstendig merkede datasett ikke er tilgjengelige.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/no/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)Dyp læring↔ compare
- Langtidskorttidsminne (LSTM)Dyp læring↔ compare
- Residuelle nevrale nettverkDyp læring↔ compare
- Semi-supervised GRUDyp læring↔ compare
- Svakt veiledet LSTMDyp læring↔ compare
- Svakt veiledet TransformerDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →