Weakly Supervised Long Short-Term Memory Network

Získanie tisícok sekvencií označených ručne je nákladné a pomalé. Metóda slabo supervidovanej LSTM obchádza tento problém využitím lacných, šumových signálov označovania: výskumník môže napísať pravidlá ako „ak veta obsahuje názov lieku, označ ju ako zmienku o nežiaducej udalosti“. Viaceré takéto pravidlá sa často rozchádzajú. Model označení usporiada ich konflikty a pridelí každému tréningovému príkladu mäkkú pravdepodobnosť príslušnosti ku každej triede. LSTM sa potom učí z týchto pravdepodobnostných označení, pričom neistotu považuje za prvotriednu informáciu. Výsledkom je sekvenčný model, ktorý je prekvapivo efektívny, napriek tomu, že počas tréningu nikdy nevidel jedinú anotáciu zlatej kvality.