Metodes pierādījumu reģistrs
Semi-supervised LSTM
Semi-supervised LSTM combines the sequential memory of Long Short-Term Memory networks with semi-supervised learning strategies — using a small labeled dataset alongside a large pool of unlabeled sequences. The model is pretrained or regularized on unlabeled data, then fine-tuned on labeled examples, delivering strong generalization when labeled data is scarce.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
Semi-supervised Long Short-Term Memory Network
Taksonomiskās metodes reģistrs · ml-model / deep-learning
- 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. · URL
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Vēl nav kurētu apgalvojumu
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.