เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| GRU ที่ได้รับการกำกับดูแลแบบอ่อน× | โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้เชิงลึก | การเรียนรู้เชิงลึก |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2014–2016 | 1986–1990 |
| ผู้ริเริ่ม≠ | Chung et al. (GRU); Ratner et al. (weak supervision framework) | Rumelhart, D. E.; Elman, J. L. |
| ประเภท≠ | Weakly supervised sequence model | Sequential neural network |
| แหล่งต้นตำรับ≠ | 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 ↗ | Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI ↗ |
| ชื่อเรียกอื่น | WS-GRU, GRU with weak supervision, weakly labeled GRU, noisy-label GRU | RNN, Elman network, Jordan network, simple recurrent network |
| ที่เกี่ยวข้อง≠ | 6 | 3 |
| สรุป≠ | Weakly Supervised GRU trains a Gated Recurrent Unit network on sequences labeled by imperfect, heuristic, or programmatic sources rather than costly hand-annotated ground truth. It combines the GRU's efficiency at capturing temporal dependencies with weak-supervision techniques that aggregate noisy labels, enabling practical sequence modeling when large fully labeled datasets are unavailable. | A Recurrent Neural Network (RNN) is a class of neural network designed to process sequential data by maintaining a hidden state that carries information across time steps. Introduced in its modern form by Rumelhart et al. (1986) and further shaped by Elman (1990), RNNs became the dominant architecture for sequence modelling in NLP, speech, and time-series analysis before the rise of attention-based models. |
| ScholarGateชุดข้อมูล ↗ |
|
|