Słabo nadzorowany GRU
Słabo nadzorowany GRU trenuje sieć Gated Recurrent Unit na sekwencjach etykietowanych przez niedoskonałe, heurystyczne lub programowe źródła, zamiast kosztownej ręcznej adnotacji danych referencyjnych. Łączy wydajność GRU w wychwytywaniu zależności czasowych z technikami słabego nadzoru, które agregują zaszumione etykiety, umożliwiając praktyczne modelowanie sekwencji, gdy brakuje dużych, w pełni etykietowanych zbiorów danych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/pl/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)Uczenie głębokie↔ compare
- Długa pamięć krótkotrwała (LSTM)Uczenie głębokie↔ compare
- Rekurencyjna Sieć NeuronowaUczenie głębokie↔ compare
- Półnadzorowany GRUUczenie głębokie↔ compare
- Słabo nadzorowany LSTMUczenie głębokie↔ compare
- Słabo nadzorowany TransformerUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →