Pooljärelevalvega meetrika õppimine
Pooljärelevalvega meetrika õppimine (Semi-supervised Metric Learning) õpib ülesandepõhise kaugusfunktsiooni, kombineerides väikese hulga märgistatud paarikaupa piiranguid – must-link ja cannot-link paarid – palju suurema märgistamata andmehulga geomeetrilise struktuuriga. Tulemuseks on Mahalanobise-tüüpi või tuumapõhine kaugus, mis peegeldab nii järelevalvet kui ka andmete topoloogiat, parandades järgnevaid ülesandeid, nagu lähima naabri klassifitseerimine ja klasterdamine.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/et/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.
- Väheste näidistega õppimineMasinõpe↔ compare
- Meetriline õppimineMasinõpe↔ compare
- Enesest juhendav õppimineMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →