LSTM a Supervisione Debole
L'LSTM a supervisione debole addestra una rete Long Short-Term Memory su dati sequenziali dove le etichette pulite e annotate manualmente sono scarse o assenti. Invece, più fonti di etichette imperfette — regole euristiche, supervisione distante, crowdsourcing o funzioni di etichettatura programmatica — vengono combinate per produrre etichette di addestramento probabilistiche, che vengono poi utilizzate per supervisionare l'LSTM. Ciò consente un addestramento scalabile su grandi corpus non etichettati senza un'esauriente annotazione umana.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/it/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 Fine-TunedApprendimento profondo↔ compare
- Long Short-Term Memory (LSTM)Apprendimento profondo↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
- LSTM semi-supervisionatoApprendimento profondo↔ compare
- Rete Neurale Ricorrente Debolmente SupervisionataApprendimento profondo↔ compare
- Transformer con Supervisione DeboleApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →