Svagt övervakad LSTM
Svagt övervakad LSTM tränar ett Long Short-Term Memory-nätverk på sekvensdata där rena, manuellt annoterade etiketter är knappa eller saknas. Istället kombineras flera ofullständiga etikettkällor – heuristiska regler, distansövervakning, crowdsourcing eller programmatiska märkningsfunktioner – för att producera probabilistiska träningsetiketter, som sedan används för att övervaka LSTM:en. Detta möjliggör skalbar träning på stora omärkta korpusar utan uttömmande mänsklig annotering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Weakly Supervised Long Short-Term Memory Network. ScholarGate. https://scholargate.app/sv/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.
- Finjusterad LSTMDjupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- Semi-supervised LSTMDjupinlärning↔ compare
- Svagt övervakad rekurrent neuralt nätverkDjupinlärning↔ compare
- Svag övervakad TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →