Η εκτυπώσιμη έκδοση δεν υποστηρίζεται πλέον και μπορεί να έχει σφάλματα μορφοποίησης. Παρακαλούμε ενημερώστε τους σελιδοδείκτες του περιηγητή σας και παρακαλούμε χρησιμοποιήστε εναλλακτικά την προεπιλεγμένη λειτουργία εκτύπωσης του περιηγητή σας.
ΤαΔίκτυα Μακράς Βραχύχρονης Μνήμης (αγγλικά Long Short-term Memory - LSTM) είναι μορφή τεχνητών ανατροφοδοτούμενων νευρωνικών δικτύων που χρησιμοποιούνται στον τομέα της βαθειάς μάθησης. Σε αντίθεση μετα συνηθέστερα εμπροσθοδοτούμενα νευρωνικά δίκτυα, τα ανατροφοδοτούμενα νευρωνικά δίκτυα διαθέτουν συνδέσμους ανατροφοδότησης πουτα επιτρέπουν να επεξεργάζονται δεδομένα ως σειρές (συνήθως χρονοσειρές όπως δεδομένα ήχου ή βίντεο). Τα Δίκτυα Μακράς Βραχύχρονης Μνήμης χρησιμοποιούνται σε εφαρμογές όπως την αυτόματη ανάγνωση χειρογράφων [1]την αναγνώριση ομιλίας [2][3]καιτην ανίχνευση ανωμαλιών σε δικτυακές επικοινωνίες.
Η αρχιτεκτονική της Μακράς Βραχύχρονης Μνήμης αναπτύχθηκε ως λύση στο πρόβλημα εξαφάνισης κλίσεων που σημειώνεται στα παραδοσιακά ανατροφοδοτούμενα νευρωνικά. Η βασική της μονάδα απαρτίζεται από ένα κελίκαι πύλες εισόδου, εξόδουκαιλήθης. Το κελί κράταει πληροφορίες απο προηγούμενες θέσεις χρόνου ενώ οι τρεις πύλες ρυθμίζουν την ροή πληροφορίας εντός και εκτός του κελιού. Έτσι, το δίκτυο μπορεί να μοντελοποιήσει τις σχέσεις χρονοσειρών με καθυστερήσεις άγνωστης διάρκειας μεταξύ σημαντικών γεγονότων. Αυτή η σχετικά χαμηλή ευαισθησία στην χρονική απόσταση πληροφοριών αποτελεί καιτο βασικό πλεονέκτιμα των Δικτύων Μακράς Βραχύχρονης Μνήμης σε σχέση μετα παραδοσιακά ανατροφοδοτούμενα, τα κρυφά Μαρκοβιανά μοντέλα και άλλες μεθόδους μάθησης σειρών.
↑Li, Xiangang; Wu, Xihong (2014-10-15). «Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition». arXiv:1410.4281 [cs.CL].