GRU Fracamente Supervisionado
O GRU Fraco Supervisionado treina uma rede Gated Recurrent Unit em sequências rotuladas por fontes imperfeitas, heurísticas ou programáticas, em vez de dados de referência (ground truth) caros e anotados manualmente. Ele combina a eficiência do GRU em capturar dependências temporais com técnicas de fraca supervisão que agregam rótulos ruidosos, permitindo modelagem de sequências prática quando grandes conjuntos de dados totalmente rotulados não estão disponíveis.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/pt/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.
- Unidade Recorrente Gated (GRU)Aprendizado profundo↔ compare
- Long Short-Term Memory (LSTM)Aprendizado profundo↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
- GRU Semi-supervisionadoAprendizado profundo↔ compare
- LSTM Supervision WeakAprendizado profundo↔ compare
- Transformer Supervisionada FracamenteAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →