Svagt övervakad rekurrent neuralt nätverk
Ett svagt övervakat RNN tränar ett rekurrent neuralt nätverk på sekvenser vars etiketter kommer från ofullständiga källor – heuristiska regler, avlägsen övervakning, crowdsourcing eller generativa etikettmodeller – snarare än dyr expertannotation. Detta gör det möjligt för forskare att utnyttja stora oannoterade korpusar för sekventiella uppgifter som textklassificering, namngiven entitetigenkänning eller tidsserieprediktion när fullständigt annoterad data är knapp eller kostsam.
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., De Sa, C., Wu, S., Selsam, D., & Re, C. (2016). Data Programming: Creating Large Training Sets, Quickly. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Zhou, Z.-H. (2018). A brief introduction to weakly supervised learning. National Science Review, 5(1), 44–53. DOI: 10.1093/nsr/nwx106 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/sv/deep-learning/weakly-supervised-recurrent-neural-network
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
- Svagt övervakad LSTMDjupinlärning↔ compare
- Svag övervakad TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →