Halb-überwachtes Metrik-Lernen
Halb-überwachtes Metrik-Lernen lernt eine aufgabenadaptierte Distanzfunktion, indem eine kleine Menge gelabelter paarweiser Einschränkungen – Must-Link- und Cannot-Link-Paare – mit der geometrischen Struktur eines viel größeren Pools ungelabelter Daten kombiniert wird. Das Ergebnis ist eine Mahalanobis-artige oder Kernel-basierte Distanz, die sowohl Supervision als auch Datentopologie widerspiegelt und nachgelagerte Aufgaben wie Nearest-Neighbor-Klassifikation und Clustering verbessert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/de/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.
- Few-Shot LearningMaschinelles Lernen↔ compare
- Metrik-LernenMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →