Apprentissage semi-supervisé régularisé
L'apprentissage semi-supervisé régularisé ajoute des termes de pénalité explicites, basés sur la géométrie ou les graphes, à un objectif semi-supervisé, de sorte que la fonction de décision varie de manière fluide sur la variété des données. Inauguré par la régularisation de variété (Belkin, Niyogi & Sindhwani, 2006), il exploite la structure des exemples étiquetés et non étiquetés pour apprendre des modèles plus précis que la régularisation supervisée seule lorsque les données étiquetées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-semi-supervised-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.
- Processus GaussienApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →