Semi-supervised Multilayer Perceptron (SSL-MLP)
Märgistatud andmete kogumine on kulukas; märgistamata andmeid on tavaliselt külluses. Poolitatud MLP ühendab need kaks, õppides esmalt kõigist saadaolevatest andmetest kompaktse sisemise esituse ja seejärel teravdades seda esitust, kasutades märgistatud näidiseid ankrutena. Peamine arusaam on see, et kogu andmete jaotuse geomeetriline struktuur piirab, millised otsustuspiirid on usutavad, nii et isegi märgistamata punktid juhivad võrku üldistatavamate lahenduste poole. Meetodid nagu pseudomärgistamine lasevad mudelil end ise õpetada, koheldes iteratiivselt oma kõrgeima usaldusväärsusega ennustusi märgistamata andmetel pehmete sihtmärkidena edasiseks treenimiseks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Chapelle, O., Scholkopf, B. & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. ICML 2013 Workshop on Challenges in Representation Learning. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Semi-supervised Multilayer Perceptron (SSL-MLP). ScholarGate. https://scholargate.app/et/deep-learning/semi-supervised-multilayer-perceptron
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.
- Häälestatud mitmekihiline perceptronSüvaõpe↔ compare
- Pooltreenimisega konvolutsiooniline närvivõrkSüvaõpe↔ compare
- Poolitatud LSTMSüvaõpe↔ compare
- Nõrgalt juhendatud mitmekihiline perceptronSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →