LSTM semi-supervisé
Le LSTM semi-supervisé combine la mémoire séquentielle des réseaux Long Short-Term Memory avec des stratégies d'apprentissage semi-supervisé — utilisant un petit ensemble de données étiquetées aux côtés d'un grand pool de séquences non étiquetées. Le modèle est pré-entraîné ou régularisé sur des données non étiquetées, puis affiné sur des exemples étiquetés, offrant une forte généralisation lorsque les données étiquetées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/fr/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.
- LSTMApprentissage profond↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →