Слабо контролируемый GRU
Слабо контролируемый GRU обучает сеть Gated Recurrent Unit на последовательностях, размеченных несовершенными, эвристическими или программными источниками, а не дорогостоящей истинной разметкой вручную. Этот метод сочетает эффективность GRU в улавливании временных зависимостей с техниками слабой супервизии, которые агрегируют зашумленные метки, что позволяет практически моделировать последовательности при отсутствии больших полностью размеченных наборов данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/ru/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.
- Сверточный рекуррентный блок (GRU)Глубокое обучение↔ compare
- Долговременная краткосрочная память (LSTM)Глубокое обучение↔ compare
- Рекуррентная нейронная сетьГлубокое обучение↔ compare
- Полу-контролируемый GRUГлубокое обучение↔ compare
- Слабо контролируемая LSTMГлубокое обучение↔ compare
- Слабо контролируемый ТрансформерГлубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →