Slabo dohliadaná GRU
Slabo dohliadaná GRU (Gated Recurrent Unit) trénuje sieť na sekvenciách označených nedokonalými, heuristickými alebo programovými zdrojmi namiesto nákladných ručne anotovaných skutočných dát (ground truth). Kombinuje efektívnosť GRU pri zachytávaní časových závislostí s technikami slabého dohľadu, ktoré agregujú zašumené označenia, čo umožňuje praktické modelovanie sekvencií, keď nie sú k dispozícii rozsiahle plne označené súbory dát.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/sk/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)Hlboké učenie↔ compare
- Long Short-Term Memory (LSTM)Hlboké učenie↔ compare
- Rekurentná neurónová sieťHlboké učenie↔ compare
- Polosupervizovaný GRUHlboké učenie↔ compare
- Weakly supervised LSTMHlboké učenie↔ compare
- Slabo supervidovaný TransformerHlboké učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →