Machine learningMachine learning

Semi-supervised Metric Learning

Η τυπική εκμάθηση μετρικής απαιτεί πολλά επισημασμένα ζεύγη, τα οποία είναι δαπανηρά στη συλλογή. Η ημι-επιβλεπόμενη εκμάθηση μετρικής δανείζεται δομή από την πλειοψηφία των μη επισημασμένων δεδομένων: χρησιμοποιεί την τοπολογία της πολλαπλότητας (manifold) ή του γράφου (graph) όλων των διαθέσιμων δεδομένων για να κανονικοποιήσει (regularize) τη μετρική, ώστε τα μη επισημασμένα σημεία που μοιάζουν μεταξύ τους να διατηρούνται κοντά, ενώ οι λίγοι γνωστοί περιορισμοί «πρέπει να συνδέονται» και «δεν πρέπει να συνδέονται» κατευθύνουν τη μετρική προς διακρίσεις σχετικές με το έργο. Η μαθημένη απόσταση είναι τότε ένας καλύτερος δείκτης (proxy) για τη σημασιολογική ομοιότητα από την ακατέργαστη Ευκλείδεια απόσταση, ακόμη και όταν τα επισημασμένα παραδείγματα είναι λιγοστά.

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. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateSemi-supervised Metric Learning (Semi-supervised Metric Learning). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/semi-supervised-metric-learning · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026