Schwache überwachte LSTM
Schwache überwachte LSTM trainiert ein Long Short-Term Memory-Netzwerk auf Sequenzdaten, bei denen saubere, manuell annotierte Labels knapp oder abwesend sind. Stattdessen werden mehrere unvollkommene Labelquellen – heuristische Regeln, entfernte Überwachung, Crowdsourcing oder programmatische Label-Funktionen – kombiniert, um probabilistische Trainingslabels zu erzeugen, die dann zur Überwachung der LSTM verwendet werden. Dies ermöglicht ein skalierbares Training auf großen unbeschrifteten Korpora ohne erschöpfende menschliche Annotation.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/de/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.
- Fine-Tuned LSTMDeep Learning↔ compare
- Long Short-Term Memory (LSTM)Deep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- Halbüberwachte LSTMDeep Learning↔ compare
- Schwache rekurrente neuronale NetzeDeep Learning↔ compare
- Schwach überwachter TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →