LSTM semi-supervisada
La LSTM semi-supervisada combina la memoria secuencial de las redes de memoria a largo corto plazo (Long Short-Term Memory, LSTM) con estrategias de aprendizaje semi-supervisado, utilizando un pequeño conjunto de datos etiquetados junto con un gran conjunto de secuencias sin etiquetar. El modelo se preentrena o regulariza con datos sin etiquetar y luego se ajusta con ejemplos etiquetados, lo que proporciona una fuerte generalización cuando los datos etiquetados son escasos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/es/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.
- LSTMAprendizaje profundo↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →