Robusta metriku mācīšanās
Robust Metric Learning apgūst Mahalanobis attāluma funkciju, izmantojot marķētus vai pāru ierobežojumus saturošus datus, vienlaikus aktīvi pretojoties traucējumiem, ko izraisa trokšņaini marķējumi, bojāti piemēri vai novērtējumi. Aizstājot standarta eņģes vai kvadrātiskās zaudējumu funkcijas ar robustām alternatīvām un pievienojot regularizāciju, tā rada attāluma metriku, kas labi vispārinās pat tad, ja apmācības kopa ir nepilnīga — izplatīta situācija reālās pasaules zinātniskos un lietišķos uzdevumos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Metric Learning (Outlier-Resistant Distance Metric Learning). ScholarGate. https://scholargate.app/lv/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.
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Metriskā apguveMašīnmācīšanās↔ compare
- Robustā lineārā regresijaMašīnmācīšanās↔ compare
- Robustais atbalsta vektoru mašīnas (Robust SVM)Mašīnmācīšanās↔ compare
- Ievads puspārraudzītā metrikas apguvēMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →