Apprentissage métrique semi-supervisé
L'apprentissage métrique semi-supervisé apprend une fonction de distance adaptée à une tâche en combinant un petit ensemble de contraintes par paires étiquetées — paires « doivent être liées » et « ne peuvent pas être liées » — avec la structure géométrique d'un pool beaucoup plus large de données non étiquetées. Le résultat est une distance de type Mahalanobis ou basée sur un noyau qui reflète à la fois la supervision et la topologie des données, améliorant les tâches en aval telles que la classification par plus proches voisins et le regroupement.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/fr/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.
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Apprentissage métriqueApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →