Machine learningMachine learning
자기 지도 나이브 베이즈
자기 지도 나이브 베이즈(Self-supervised Naive Bayes)는 고전적인 나이브 베이즈 분류기를 확장하여, 기댓값-최대화(Expectation-Maximization, EM) 반복을 통해 소프트 의사 레이블(pseudo-label)을 점진적으로 할당함으로써 대규모의 레이블 없는 데이터를 활용합니다. Nigam 등(2000)이 텍스트 분류를 위해 처음 시연한 이 접근 방식은 레이블이 지정된 예시가 부족하지만 레이블 없는 데이터가 풍부할 때 정확도를 크게 향상시킬 수 있습니다.
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
- Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39(2-3), 103–134. DOI: 10.1023/A:1007692713085 ↗
- 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). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/ko/machine-learning/self-supervised-naive-bayes
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.
- 나이브 베이즈머신러닝↔ compare
- 자기 지도 학습머신러닝↔ compare
- Self-supervised Logistic Regression머신러닝↔ compare
- 준지도 학습머신러닝↔ compare
- 준지도 학습 나이브 베이즈머신러닝↔ compare