Svagt superviseret LSTM
Svagt superviseret LSTM træner et Long Short-Term Memory-netværk på sekvensdata, hvor rene, manuelt annoterede etiketter er knappe eller fraværende. I stedet kombineres flere uperfekte etiketkilder — heuristiske regler, fjern-supervision, crowdsourcing eller programmatiske mærkningsfunktioner — for at producere probabilistiske træningsetiketter, som derefter bruges til at supervisere LSTM'en. Dette muliggør skalerbar træning på store umærkede korpora uden udtømmende menneskelig annotering.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/da/deep-learning/weakly-supervised-lstm
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.
- Fintunet LSTMDyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
- Semi-supervised LSTMDyb læring↔ compare
- Svagt superviseret recurrent neuralt netværkDyb læring↔ compare
- Svagt superviseret TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →