Machine learningDeep learning / NLP / CV
약지도 학습 LSTM
약지도 학습 LSTM은 깨끗하고 수동으로 주석이 달린 레이블이 부족하거나 없는 시퀀스 데이터에서 장단기 기억망(Long Short-Term Memory network)을 훈련시킵니다. 대신, 여러 개의 불완전한 레이블 소스(휴리스틱 규칙, 원거리 지도 학습, 크라우드소싱 또는 프로그래밍 가능한 레이블링 함수)를 결합하여 확률적 훈련 레이블을 생성하고, 이를 사용하여 LSTM을 지도합니다. 이를 통해 철저한 인간 주석 없이 대규모 비주석 말뭉치에서 확장 가능한 훈련이 가능합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/ko/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.
- 파인튜닝된 LSTM딥러닝↔ compare
- Long Short-Term Memory (LSTM)딥러닝↔ compare
- 순환 신경망딥러닝↔ compare
- 준지도 학습 LSTM딥러닝↔ compare
- 약한 지도 순환 신경망딥러닝↔ compare
- 약지도 트랜스포머딥러닝↔ compare