شبکه حافظه طولانی کوتاه (LSTM) تحت نظارت ضعیف (Weakly Supervised LSTM)
شبکه حافظه طولانی کوتاه تحت نظارت ضعیف، یک شبکه حافظه طولانی کوتاه (LSTM) را بر روی دادههای دنبالهای آموزش میدهد که در آن برچسبهای تمیز و با برچسبگذاری دستی کمیاب یا غایب هستند. در عوض، چندین منبع برچسب ناقص — قوانین ابتکاری، نظارت از راه دور، جمعسپاری، یا توابع برچسبگذاری برنامهنویسی — ترکیب میشوند تا برچسبهای آموزشی احتمالی تولید کنند، که سپس برای نظارت بر LSTM استفاده میشوند. این امر آموزش مقیاسپذیر را بر روی پیکرههای بزرگ بدون برچسبگذاری انسانی جامع امکانپذیر میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/fa/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.
- LSTM تنظیمشدهیادگیری عمیق↔ compare
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- یادگیرنده کوتاهمدت حافظه طولانی نیمهنظارتشده (Semi-supervised LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتی با نظارت ضعیفیادگیری عمیق↔ compare
- ترنسفورمر با نظارت ضعیفیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →