Apprentissage en ligne semi-supervisé
L'apprentissage en ligne semi-supervisé combine le style de mise à jour incrémentielle de l'apprentissage en ligne avec la capacité d'exploiter des exemples non étiquetés, permettant aux modèles de s'améliorer continuellement à partir d'un flux de données dans lequel seule une petite fraction des instances arrivantes porte des étiquettes de vérité terrain. Il est particulièrement précieux lorsque l'étiquetage est coûteux ou retardé mais que les données arrivent en temps réel.
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
- 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. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-3
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Online Learning (Incremental Learning with Partially Labeled Streams). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-online-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 actifApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →