Waarom is dit belangrijk?
Met long short-term memory kunnen computers een lange reeks metingen volgen en een volgende waarde schatten, ook als er veel tijd tussen de waarnemingen zit. In de zorg helpt dat bij het voorspellen van het verdere verloop van een medisch behandeltraject. Patiënten en zorgverleners krijgen zo eerder een inschatting, maar die inschatting kan fout zijn als de gegevens onvolledig of eenzijdig zijn.
Zo werkt het in de praktijk
Long short-term memory wordt ingezet bij automatische vertaling. Google bouwde het Google Neural Machine Translation-systeem voor Google Translate met deze netwerken. Facebook gebruikte deze netwerken voor automatische vertalingen.
Onderzoekers zoeken manieren zodat het model tijdens het trainen blijft leren van vroege stappen. Sepp Hochreiter en Jürgen Schmidhuber beschreven in 1997 de constante foutcarrousel, een cel die de fout vasthoudt. Een team rond Hochreiter publiceerde later xLSTM, waarin één blok taken naast elkaar uitrekent.
In de praktijk trainen teams long short-term memory met backpropagation through time. Die methode rekent de fout terug over eerdere stappen in de reeks. Veel toepassingen gebruiken ook connectionist temporal classification (CTC), een score die uitlijning en herkenning samen doet.




