Vāji uzraudzīta LSTM
Vāji uzraudzīta LSTM apmāca garu īstermiņa atmiņas (Long Short-Term Memory — LSTM) tīklu secību datos, kur tīras, manuāli anotētas atzīmes ir retas vai nav pieejamas. Tā vietā tiek apvienoti vairāki nepilnīgi atzīmju avoti — heuristiski noteikumi, attālā uzraudzība, koplietošanas (crowdsourcing) vai programmatiskas marķēšanas funkcijas — lai radītu probablistiskas apmācības atzīmes, kuras pēc tam tiek izmantotas LSTM uzraudzībai. Tas ļauj mērogojami apmācīt lielus neanotētus korpusus bez izsmeļošas cilvēku anotācijas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/lv/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.
- Pielāgots LSTMDziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- Pusiau paškontrolēta LSTM (Semi-supervised LSTM)Dziļā mācīšanās↔ compare
- Vāji uzraudzīts rekurentais neironu tīklsDziļā mācīšanās↔ compare
- Vāji uzraudzīts TransformersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →