Machine learningMachine learning

Κανονικοποιημένη Ημι-επιβλεπόμενη Μάθηση

Η κανονικοποιημένη ημι-επιβλεπόμενη μάθηση προσθέτει ρητούς γεωμετρικούς ή βασισμένους σε γράφους όρους ποινής σε έναν ημι-επιβλεπόμενο στόχο, ώστε η συνάρτηση απόφασης να μεταβάλλεται ομαλά στην πολλαπλότητα των δεδομένων. Πρωτοπορημένη μέσω της κανονικοποίησης πολλαπλότητας (Belkin, Niyogi & Sindhwani, 2006), εκμεταλλεύεται τη δομή τόσο των επισημασμένων όσο και των μη επισημασμένων παραδειγμάτων για την εκμάθηση ακριβέστερων μοντέλων από την απλή επιβλεπόμενη κανονικοποίηση όταν τα επισημασμένα δεδομένα είναι σπάνια.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/el/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.

Compare side by side
ScholarGateRegularized semi-supervised learning (Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/regularized-semi-supervised-learning · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026