Полу-наблюдавано обучение на метрики
Полу-наблюдаваното обучение на метрики научава адаптирана към задачата функция за разстояние чрез комбиниране на малък набор от етикетирани двойки ограничения — двойки от един и същи клас (must-link) и двойки от различни класове (cannot-link) — с геометричната структура на много по-голям набор от нетикетирани данни. Резултатът е разстояние от тип Махаланобис или базирано на ядро, което отразява както наблюдението, така и топологията на данните, подобрявайки последващи задачи като класификация чрез най-близък съсед и клъстеризация.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-metric-learning
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.
- Обучение с малко примериМашинно обучение↔ compare
- Метрично обучениеМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →