Semi-supervised Online Learning
Semi-supervised Online Learning combineert de incrementele update-stijl van online leren met het vermogen om ongelabelde voorbeelden te benutten, waardoor modellen continu kunnen verbeteren op basis van een datastroom waarin slechts een klein deel van de binnenkomende instanties ground-truth labels bevat. Het is vooral waardevol wanneer labelen duur of vertraagd is, maar gegevens in realtime binnenkomen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Goldberg, A., Li, M., & Zhu, X. (2008). Online manifold regularization: A new learning setting and empirical study. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008), Lecture Notes in Computer Science, 5211, 393–407. Springer. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-3
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Online Learning (Incremental Learning with Partially Labeled Streams). ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-online-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.
- Actief LerenMachine learning↔ compare
- Label PropagationMachine learning↔ compare
- Online LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →