LSTM Penyeliaan Lemah
LSTM penyeliaan lemah melatih rangkaian Long Short-Term Memory pada data jujukan di mana label yang bersih dan dianotasi secara manual adalah terhad atau tiada. Sebaliknya, pelbagai sumber label yang tidak sempurna — peraturan heuristik, penyeliaan jarak jauh, crowdsourcing, atau fungsi pelabelan programatik — digabungkan untuk menghasilkan label latihan probabilistik, yang kemudiannya digunakan untuk menyelia LSTM. Ini membolehkan latihan berskala pada korpus besar yang tidak berlabel tanpa anotasi manusia yang menyeluruh.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/ms/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 Ditalar HalusPembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
- LSTM Separuh-SeliaPembelajaran Mendalam↔ compare
- Rangkaian Neural Berulang yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
- Transformer Berpenyeliaan LemahPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →