GRU ที่ได้รับการกำกับดูแลแบบอ่อน
GRU ที่ได้รับการกำกับดูแลแบบอ่อน (Weakly Supervised GRU) เป็นการฝึกโครงข่าย Gated Recurrent Unit (GRU) บนลำดับข้อมูลที่ถูกกำกับโดยแหล่งข้อมูลที่ไม่สมบูรณ์ เป็นไปตามกฎเกณฑ์ หรือเป็นไปตามโปรแกรม แทนที่จะเป็นข้อมูลจริงที่ต้องใช้การระบุด้วยตนเองอย่างมีค่าใช้จ่ายสูง วิธีนี้เป็นการผสมผสานประสิทธิภาพของ GRU ในการจับความสัมพันธ์เชิงเวลาเข้ากับเทคนิคการกำกับดูแลแบบอ่อนที่รวบรวมป้ายกำกับที่มีสัญญาณรบกวน ทำให้สามารถสร้างแบบจำลองลำดับข้อมูลได้อย่างมีประสิทธิภาพเมื่อไม่มีชุดข้อมูลขนาดใหญ่ที่มีการกำกับอย่างสมบูรณ์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Weakly Supervised Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/th/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.
- หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)การเรียนรู้เชิงลึก↔ compare
- หน่วยความจำระยะสั้นแบบยาว (LSTM)การเรียนรู้เชิงลึก↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare
- เซมิซูเปอร์ไวส์ GRUการเรียนรู้เชิงลึก↔ compare
- Weakly Supervised LSTMการเรียนรู้เชิงลึก↔ compare
- Weakly Supervised Transformerการเรียนรู้เชิงลึก↔ compare