Machine learningMachine learning
강건 거리 학습
강건 거리 학습(Robust Metric Learning)은 노이즈가 있는 레이블, 손상된 예시 또는 이상치로 인해 발생하는 왜곡에 적극적으로 저항하면서 레이블이 지정되거나 쌍으로 제약된 데이터로부터 마할라노비스 거리 함수를 학습합니다. 표준 힌지 손실 또는 제곱 손실을 강건한 대안으로 대체하고 정규화를 추가함으로써, 훈련 세트가 불완전하더라도(실제 과학 및 응용 작업에서 흔히 발생하는 상황) 잘 일반화되는 거리 측정 기준을 생성합니다.
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
- Shen, C., Kim, J., Wang, L., & van den Hengel, A. (2012). Positive Semidefinite Metric Learning Using Boosting-like Algorithms. Journal of Machine Learning Research, 13, 1007–1036. link ↗
- Cao, Q., Guo, Z.-C., & Ying, Y. (2012). Generalization Bounds for Metric and Similarity Learning. Machine Learning, 102(1), 115–132. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Metric Learning (Outlier-Resistant Distance Metric Learning). ScholarGate. https://scholargate.app/ko/machine-learning/robust-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.
- 퓨샷 학습머신러닝↔ compare
- 메트릭 학습머신러닝↔ compare
- 강건 선형 회귀머신러닝↔ compare
- 로버스트 서포트 벡터 머신머신러닝↔ compare
- 준지도 학습 거리 학습머신러닝↔ compare