Semi-überwachtes Online-Lernen
Semi-überwachtes Online-Lernen kombiniert den inkrementellen Aktualisierungsstil des Online-Lernens mit der Fähigkeit, unmarkierte Beispiele zu nutzen. Dadurch können Modelle kontinuierlich aus einem Datenstrom lernen, in dem nur ein kleiner Teil der eingehenden Instanzen Ground-Truth-Labels trägt. Dies ist besonders wertvoll, wenn die Kennzeichnung teuer oder verzögert ist, Daten aber in Echtzeit eintreffen.
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
- Goldberg, A., Li, M., & Zhu, X. (2008). Online manifold regularization: A new learning setting and empirical study. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008), Lecture Notes in Computer Science, 5211, 393–407. Springer. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-3
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Online Learning (Incremental Learning with Partially Labeled Streams). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-online-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.
- Aktives LernenMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →