Dossier de preuve de méthode

Semi-supervised Online Learning

Semi-supervised Online Learning combines the incremental update style of online learning with the ability to exploit unlabeled examples, enabling models to improve continuously from a data stream in which only a small fraction of arriving instances carry ground-truth labels. It is especially valuable when labeling is expensive or delayed but data arrives in real time.

Sources recorded, not reviewed

Dossier source

Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.

Semi-supervised Online Learning (Incremental Learning with Partially Labeled Streams)

Dossier de méthode taxonomique · ml-model / machine-learning

Goldberg, A., Li, M., & Zhu, X. (2008). Online manifold regularization: A new learning setting and empirical study. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008), Lecture Notes in Computer Science, 5211, 393–407. Springer. · URL
Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. · ISBN 978-1-59829-548-3

Ouvrir la méthode complète

Revendications organisées

Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.

Pas encore de revendications organisées

Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.

Méthodes apparentées

Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.

Same method familyActive Learningmachine-suggested · Relational suggestion, not evidence.Same method familyLabel Propagationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketOnline Learningmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Learningmachine-suggested · Relational suggestion, not evidence.