یادگیری متریک نیمهنظارتشده
یادگیری متریک نیمهنظارتشده با ترکیب مجموعهی کوچکی از قیود زوجی برچسبدار — جفتهای «باید پیوند» (must-link) و «نمیتوان پیوند» (cannot-link) — با ساختار هندسی مجموعهی بسیار بزرگتری از دادههای بدون برچسب، یک تابع فاصله سازگار با وظیفه را یاد میگیرد. نتیجه، فاصلهای از نوع مَحالانوبیس (Mahalanobis) یا مبتنی بر هسته (kernel-based) است که هم نظارت و هم توپولوژی داده را منعکس میکند و وظایف پاییندستی مانند طبقهبندی همسایهی نزدیک (nearest-neighbor classification) و خوشهبندی (clustering) را بهبود میبخشد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/fa/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.
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری متریکیادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →