Ημι-επιβλεπόμενο LSTM
Το ημι-επιβλεπόμενο LSTM συνδυάζει τη διαδοχική μνήμη των δικτύων Long Short-Term Memory (LSTM) με στρατηγικές ημι-επιβλεπόμενης μάθησης — χρησιμοποιώντας ένα μικρό επισημασμένο σύνολο δεδομένων παράλληλα με μια μεγάλη δεξαμενή μη επισημασμένων ακολουθιών. Το μοντέλο προ-εκπαιδεύεται ή κανονικοποιείται σε μη επισημασμένα δεδομένα, και στη συνέχεια βελτιστοποιείται σε επισημασμένα παραδείγματα, προσφέροντας ισχυρή γενίκευση όταν τα επισημασμένα δεδομένα είναι σπάνια.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/el/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.
- LSTMΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
- Variational AutoencoderΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →