Svagt övervakad GRU
Svagt övervakad GRU tränar en Gated Recurrent Unit-nätverk på sekvenser som är märkta av ofullständiga, heuristiska eller programmatiska källor snarare än kostsam hand-annoterad grundläggande sanning. Den kombinerar GRU:ns effektivitet vid infångande av temporala beroenden med svag-övervakningstekniker som aggregerar brusiga etiketter, vilket möjliggör praktisk sekvensmodellering när stora fullständigt märkta dataset saknas.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/sv/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)Djupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- Semi-supervised GRUDjupinlärning↔ compare
- Svagt övervakad LSTMDjupinlärning↔ compare
- Svag övervakad TransformerDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →