Machine learningDeep learning / NLP / CV
โครงข่ายประสาทเทียมเวียนซ้ำแบบปรับโดเมน
โครงข่ายประสาทเทียมเวียนซ้ำแบบปรับโดเมน (DA-RNN) คือโครงข่ายประสาทเทียมเวียนซ้ำที่ได้รับการฝึกฝนบนโดเมนต้นทางและปรับให้เข้ากับโดเมนปลายทางโดยใช้เทคนิคการปรับโดเมน เช่น การฝึกแบบปฏิปักษ์ การจัดแนวคุณลักษณะ หรือการปรับละเอียด ช่วยให้โมเดลลำดับสามารถสรุปผลข้ามโดเมนได้เมื่อข้อมูลโดเมนปลายทางที่มีป้ายกำกับมีน้อยหรือไม่พร้อมใช้งาน
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Domain-adaptive Recurrent Neural Network (DA-RNN). ScholarGate. https://scholargate.app/th/deep-learning/domain-adaptive-recurrent-neural-network
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การจำแนกประเภทแบบ BERT ที่ปรับให้เข้ากับโดเมนการเรียนรู้เชิงลึก↔ เปรียบเทียบ
- โดเมน-อะแดปทีฟ ทรานส์ฟอร์มเมอร์การเรียนรู้เชิงลึก↔ เปรียบเทียบ
- เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)การเรียนรู้เชิงลึก↔ เปรียบเทียบ
- หน่วยความจำระยะสั้นแบบยาว (LSTM)การเรียนรู้เชิงลึก↔ เปรียบเทียบ
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ เปรียบเทียบ
- การเรียนรู้แบบถ่ายโอนด้วยโครงข่ายประสาทเทียมแบบเวียนซ้ำการเรียนรู้เชิงลึก↔ เปรียบเทียบ