Pembelajaran Metrik Semi-Terawasi
Pembelajaran metrik semi-terawasi mempelajari fungsi jarak yang diadaptasi tugas dengan menggabungkan sejumlah kecil batasan berpasangan berlabel — pasangan 'harus-terhubung' (must-link) dan 'tidak-boleh-terhubung' (cannot-link) — dengan struktur geometris dari kumpulan data tak berlabel yang jauh lebih besar. Hasilnya adalah jarak bergaya Mahalanobis atau berbasis kernel yang mencerminkan baik pengawasan maupun topologi data, meningkatkan tugas hilir seperti klasifikasi tetangga terdekat dan pengelompokan.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran Sedikit Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran MetrikPembelajaran Mesin↔ compare
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →