LSTM faiblement supervisé
Le LSTM faiblement supervisé entraîne un réseau Long Short-Term Memory sur des données séquentielles où les étiquettes propres, annotées manuellement, sont rares ou absentes. Au lieu de cela, plusieurs sources d'étiquettes imparfaites — règles heuristiques, supervision distante, crowdsourcing ou fonctions d'étiquetage programmatiques — sont combinées pour produire des étiquettes d'entraînement probabilistes, qui sont ensuite utilisées pour superviser le LSTM. Cela permet un entraînement évolutif sur de grands corpus non étiquetés sans annotation humaine exhaustive.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/fr/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 affinéApprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- LSTM semi-superviséApprentissage profond↔ compare
- Réseau neuronal récurrent à supervision faibleApprentissage profond↔ compare
- Transformeur faiblement superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →