Domänadaptivt rekurrent neuralt nätverk
Ett domänadaptivt rekurrent neuralt nätverk (DA-RNN) är ett rekurrent neuralt nätverk som tränas på en källdomän och anpassas till en måldomän med hjälp av domänadaptationstekniker såsom adversariell träning, feature-alignment eller finjustering. Det möjliggör för sekventiella modeller att generalisera över domäner när märkt måldomändata är knapp eller otillgänglig.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/sv/deep-learning/domain-adaptive-recurrent-neural-network
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Domänadaptiv BERT-baserad klassificeringDjupinlärning↔ jämför
- Domänadaptiv TransformerDjupinlärning↔ jämför
- Finjusterat återkommande neuralt nätverkDjupinlärning↔ jämför
- Long Short-Term Memory (LSTM)Djupinlärning↔ jämför
- Återkommande neuralt nätverkDjupinlärning↔ jämför
- Transferinlärning med återkommande neurala nätverkDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →