ScholarGate
Assistent
Machine learningMachine learning

Online Metrisch Leren

Online Metric Learning past een Mahalanobis-afstandsmetriek incrementeel aan naarmate nieuwe gelabelde voorbeelden of paarsgewijze beperkingen één voor één binnenkomen, zonder de volledige dataset op te slaan. Het combineert de efficiëntie van online leren met de representatieve kracht van metrische leren, waardoor het geschikt is voor omgevingen met streaming, grootschalige of continu veranderende data, waar hertrainen vanaf nul onpraktisch is.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Bronnen

  1. Shalev-Shwartz, S., Singer, Y., & Ng, A. Y. (2004). Online and batch learning of pseudo-metrics. Proceedings of the 21st International Conference on Machine Learning (ICML 2004), pp. 94. ACM. link
  2. Jin, R., Wang, S., & Zhou, Y. (2009). Regularized distance metric learning: Theory and algorithm. Advances in Neural Information Processing Systems (NIPS 2009), 22, 862–870. link

Deze pagina citeren

ScholarGate. (2026, June 3). Online Metric Learning (Incremental Distance Metric Learning from Streaming Data). ScholarGate. https://scholargate.app/nl/machine-learning/online-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.

Compare side by side
ScholarGateOnline Metric Learning (Online Metric Learning (Incremental Distance Metric Learning from Streaming Data)). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/machine-learning/online-metric-learning · Gegevensset: https://doi.org/10.5281/zenodo.20539026