Aprenentatge regularitzat semisupervisat
L'aprenentatge regularitzat semisupervisat afegeix termes de penalització geomètrics o basats en grafs explícits a un objectiu semisupervisat de manera que la funció de decisió variï suaument sobre la varietat de dades. Pioner a través de la regularització de varietats (Belkin, Niyogi & Sindhwani, 2006), aprofita l'estructura d'exemples etiquetats i no etiquetats per aprendre models més precisos que la regularització supervisada sola quan les dades etiquetades són escasses.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/ca/machine-learning/regularized-semi-supervised-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.
- Processos GaussianosAprenentatge automàtic↔ compare
- Propagació d'etiquetesAprenentatge automàtic↔ compare
- Regressió logística regularitzadaAprenentatge automàtic↔ compare
- Bosque Aleatori RegularitzatAprenentatge automàtic↔ compare
- Aprenentatge autosupervisatAprenentatge automàtic↔ compare
- Aprenentatge semi-supervisatAprenentatge automàtic↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →