Слабо контролируемая LSTM
Слабо контролируемая LSTM обучает сеть долговременной краткосрочной памяти (LSTM) на последовательных данных, где чистые, вручную аннотированные метки редки или отсутствуют. Вместо этого, несколько несовершенных источников меток — эвристические правила, удаленный (дистантный) контроль, краудсорсинг или программные функции разметки — комбинируются для получения вероятностных обучающих меток, которые затем используются для контроля LSTM. Это позволяет масштабируемое обучение на больших неразмеченных корпусах без исчерпывающей ручной аннотации.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/ru/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.
- Дообученная LSTMГлубокое обучение↔ compare
- Долговременная краткосрочная память (LSTM)Глубокое обучение↔ compare
- Рекуррентная нейронная сетьГлубокое обучение↔ compare
- Полусупервизорная LSTMГлубокое обучение↔ compare
- Слабо контролируемая рекуррентная нейронная сетьГлубокое обучение↔ compare
- Слабо контролируемый ТрансформерГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →