LSTM yang Diawasi Secara Lemah
LSTM yang diawasi secara lemah melatih jaringan Long Short-Term Memory pada data urutan di mana label yang bersih dan dianotasi secara manual langka atau tidak ada. Sebaliknya, beberapa sumber label yang tidak sempurna — aturan heuristik, pengawasan jarak jauh, crowdsourcing, atau fungsi pelabelan terprogram — digabungkan untuk menghasilkan label pelatihan probabilistik, yang kemudian digunakan untuk mengawasi LSTM. Hal ini memungkinkan pelatihan yang dapat diskalakan pada korpus besar yang tidak berlabel tanpa anotasi manusia yang menyeluruh.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/id/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 yang Di-fine-tunePembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Pembelajaran Mendalam↔ compare
- LSTM Semi-TerawasiPembelajaran Mendalam↔ compare
- RNN Pengawasan LemahPembelajaran Mendalam↔ compare
- Transformer Supervised LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →