Robustní učení metrik
Robustní učení metrik se učí funkci Mahalanobisovy vzdálenosti z označených dat nebo dat s párovými omezeními, přičemž aktivně odolává zkreslení způsobenému šumovými popisky, poškozenými příklady nebo odlehlými hodnotami. Nahrazením standardních ztrát typu hinge nebo čtvercových ztrát robustními alternativami a přidáním regularizace vytváří metodu vzdálenosti, která dobře generalizuje, i když je trénovací sada nedokonalá — což je běžná situace v reálných vědeckých a aplikovaných úlohách.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Shen, C., Kim, J., Wang, L., & van den Hengel, A. (2012). Positive Semidefinite Metric Learning Using Boosting-like Algorithms. Journal of Machine Learning Research, 13, 1007–1036. link ↗
- Cao, Q., Guo, Z.-C., & Ying, Y. (2012). Generalization Bounds for Metric and Similarity Learning. Machine Learning, 102(1), 115–132. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Metric Learning (Outlier-Resistant Distance Metric Learning). ScholarGate. https://scholargate.app/cs/machine-learning/robust-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.
- Učení s malým počtem příkladůStrojové učení↔ compare
- Učení metrikStrojové učení↔ compare
- Robustní lineární regreseStrojové učení↔ compare
- Robustní Support Vector MachineStrojové učení↔ compare
- Polu-dohledové učení metrikStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →