Полу-надгледани LSTM
Полу-надгледани LSTM комбинује секвенцијално памћење дугократких меморијских мрежа (Long Short-Term Memory networks) са стратегијама полу-надгледаног учења — користећи малу означену (labeled) базу података уз велики скуп неозначених (unlabeled) секвенци. Модел се претходно тренира или регуларизује на неозначеним подацима, а затим фино подешава (fine-tuned) на означеним примерима, пружајући јаку генерализацију када су означени подаци оскудни.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
- Rasmus, A., Berglund, M., Honkala, M., Valpola, H., & Raiko, T. (2015). Semi-supervised learning with ladder networks. Advances in Neural Information Processing Systems, 28. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/sr/deep-learning/semi-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.
- LSTMDuboko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →