Pembelajaran Metrik Separuh-Terbimbing
Pembelajaran metrik separuh-terbimbing mempelajari fungsi jarak yang diadaptasi tugas dengan menggabungkan sejumlah kecil batasan berpasangan berlabel — pasangan 'mesti-pautan' dan 'tidak-boleh-pautan' — dengan struktur geometri bagi kumpulan data tidak berlabel yang jauh lebih besar. Hasilnya ialah jarak gaya Mahalanobis atau berasaskan kernel yang mencerminkan kedua-dua penyeliaan dan topologi data, meningkatkan tugas hiliran seperti klasifikasi jiran terdekat dan pengelompokan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/ms/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 Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran MetrikPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →