ScholarGate
Assistent
Machine learningMachine learning

Semi-veiledt metrikklæring

Semi-veiledt metrikklæring lærer en oppgavespesifikk avstandsfunksjon ved å kombinere et lite sett med merkede parvise begrensninger – par som må være like og par som ikke kan være like – med den geometriske strukturen til en mye større mengde umerkede data. Resultatet er en avstandsfunksjon av Mahalanobis-stil eller kjernebasert type som reflekterer både veiledning og datatopologi, og forbedrer nedstrømsoppgaver som nærmeste-nabo-klassifisering og klyngeanalyse.

Åpne i MethodMindSnartVideoSnartLast ned lysbilder

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

Kilder

  1. 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
  2. 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

Slik siterer du denne siden

ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/no/machine-learning/semi-supervised-metric-learning

Hvilken metode?

Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.

Sammenlign side om side

Referert av

ScholarGateSemi-supervised Metric Learning (Semi-supervised Metric Learning). Hentet 2026-06-15 fra https://scholargate.app/no/machine-learning/semi-supervised-metric-learning · Datasett: https://doi.org/10.5281/zenodo.20539026