LSTM Semi-Terawasi
LSTM Semi-Terawasi menggabungkan memori sekuensial dari jaringan Long Short-Term Memory dengan strategi pembelajaran semi-terawasi — menggunakan kumpulan data berlabel kecil bersama dengan kumpulan besar urutan tak berlabel. Model ini dilatih sebelumnya atau diregularisasi pada data tak berlabel, kemudian disesuaikan pada contoh berlabel, menghasilkan generalisasi yang kuat ketika data berlabel langka.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/id/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.
- LSTMPembelajaran Mendalam↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Variational AutoencoderPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →