Aprendizaje semisupervisado regularizado
El aprendizaje semisupervisado regularizado añade términos de penalización explícitos, basados en geometría o grafos, a un objetivo semisupervisado de modo que la función de decisión varíe suavemente sobre la variedad de datos. Pionero a través de la regularización de variedades (Belkin, Niyogi & Sindhwani, 2006), explota la estructura de ejemplos tanto etiquetados como no etiquetados para aprender modelos más precisos que la regularización supervisada sola cuando los datos etiquetados son escasos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/es/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.
- Proceso gaussianoAprendizaje automático↔ compare
- Propagación de EtiquetasAprendizaje automático↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
- Random Forest RegularizadoAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →