Puolivalvottu metriikkaoppiminen
Puolivalvottu metriikkaoppiminen oppii tehtävään mukautetun etäisyysfunktion yhdistämällä pienen joukon merkittyjä parirajoitteita – pakolliset linkit ja kielletyt linkit – huomattavasti suuremman merkitsemättömän datan geometriseen rakenteeseen. Tuloksena on Mahalanobis-tyylinen tai ydinpohjainen etäisyys, joka heijastaa sekä valvontaa että datan topologiaa, parantaen jatkotehtäviä, kuten lähimmän naapurin luokittelua ja klusterointia.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/fi/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.
- Few-shot LearningKoneoppiminen↔ compare
- MetriikkaoppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →