LSTM Supervision Weak
LSTM Supervision Weak treina uma rede Long Short-Term Memory em dados de sequência onde rótulos limpos, anotados manualmente, são escassos ou ausentes. Em vez disso, múltiplas fontes de rótulos imperfeitas — regras heurísticas, supervisão distante, crowdsourcing ou funções de rotulagem programáticas — são combinadas para produzir rótulos de treinamento probabilísticos, que são então usados para supervisionar o LSTM. Isso permite o treinamento escalável em grandes corpora não rotulados sem anotação humana exaustiva.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/pt/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 Ajustado FinamenteAprendizado profundo↔ compare
- Long Short-Term Memory (LSTM)Aprendizado profundo↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
- LSTM SemissupervisionadaAprendizado profundo↔ compare
- Rede Neural Recorrente Fracamente SupervisionadaAprendizado profundo↔ compare
- Transformer Supervisionada FracamenteAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →