Machine learningMachine learning
정규화된 준지도 학습
정규화된 준지도 학습은 결정 함수가 데이터 다양체 위에서 부드럽게 변하도록 준지도 학습 목표에 명시적인 기하학적 또는 그래프 기반 페널티 항을 추가합니다. 다양체 정규화(Belkin, Niyogi & Sindhwani, 2006)를 통해 개척된 이 방법은 레이블이 지정된 예제와 레이블이 지정되지 않은 예제 모두의 구조를 활용하여 레이블이 지정된 데이터가 부족할 때 지도 정규화만 사용하는 것보다 더 정확한 모델을 학습합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/ko/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.
- 가우시안 프로세스머신러닝↔ compare
- 레이블 전파머신러닝↔ compare
- 정규화 로지스틱 회귀머신러닝↔ compare
- Regularized Random Forest머신러닝↔ compare
- 자기 지도 학습머신러닝↔ compare
- 준지도 학습머신러닝↔ compare