Halbüberwachte LSTM
Semi-supervised LSTM kombiniert den sequenziellen Speicher von Long Short-Term Memory-Netzwerken mit semi-überwachten Lernstrategien – unter Verwendung eines kleinen gelabelten Datensatzes neben einem großen Pool ungelabelter Sequenzen. Das Modell wird auf ungelabelten Daten vortrainiert oder regularisiert und dann auf gelabelten Beispielen feinabgestimmt, was bei knappen gelabelten Daten eine starke Generalisierung liefert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
- Rasmus, A., Berglund, M., Honkala, M., Valpola, H., & Raiko, T. (2015). Semi-supervised learning with ladder networks. Advances in Neural Information Processing Systems, 28. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/de/deep-learning/semi-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.
- LSTMDeep Learning↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →