Zwakke gesuperviseerde LSTM
Zwakke gesuperviseerde LSTM traint een Long Short-Term Memory-netwerk op sequentiedata waarbij schone, handmatig geannoteerde labels schaars of afwezig zijn. In plaats daarvan worden meerdere imperfecte labelbronnen – heuristische regels, verre supervisie, crowdsourcing of programmatische labelfuncties – gecombineerd om probabilistische trainingslabels te produceren, die vervolgens worden gebruikt om de LSTM te superviseren. Dit maakt schaalbare training mogelijk op grote ongelabelde corpora zonder uitputtende menselijke annotatie.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/nl/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.
- Fijngestemde LSTMDeep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Recurrent Neuraal NetwerkDeep learning↔ compare
- Semi-supervised LSTMDeep learning↔ compare
- Recurrent Neuraal Netwerk met Zwakke SupervisieDeep learning↔ compare
- Zwakke Supervised TransformerDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →