Рекурентна нейронна мережа зі слабким наглядом
Рекурентна нейронна мережа (RNN) зі слабким наглядом навчається на послідовностях, мітки для яких походять з недосконалих джерел — евристичних правил, віддаленого нагляду, краудсорсингу або генеративних моделей міток — замість дорогого анотування експертами. Це дозволяє дослідникам використовувати великі нерозмічені корпуси для послідовних завдань, таких як класифікація тексту, розпізнавання іменованих сутностей або прогнозування часових рядів, коли повністю анотовані дані є дефіцитними або дорогими.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Weakly Supervised Recurrent Neural Network. ScholarGate. https://scholargate.app/uk/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.
- Блокований рекурентний блок (GRU)Глибоке навчання↔ compare
- Довга короткострокова пам'ять (LSTM)Глибоке навчання↔ compare
- Рекурентна нейронна мережаГлибоке навчання↔ compare
- LSTM зі слабким наглядомГлибоке навчання↔ compare
- Трансформер зі слабким наглядомГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →