Uczenie metryki odpornej na zakłócenia
Uczenie metryki odpornej na zakłócenia (Robust Metric Learning) polega na wyznaczaniu funkcji odległości Mahalanobisa na podstawie danych opatrzonych etykietami lub danych z ograniczeniami parami, aktywnie przeciwdziałając zniekształceniom spowodowanym przez zaszumione etykiety, uszkodzone przykłady lub wartości odstające. Zastąpienie standardowych funkcji straty zawiasowej (hinge loss) lub kwadratowej odpornymi alternatywami oraz dodanie regularyzacji pozwala uzyskać metrykę odległości, która dobrze generalizuje, nawet gdy zbiór treningowy jest niedoskonały — co jest częstą sytuacją w rzeczywistych zadaniach naukowych i aplikacyjnych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Metric Learning (Outlier-Resistant Distance Metric Learning). ScholarGate. https://scholargate.app/pl/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.
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie metryczneUczenie maszynowe↔ compare
- Regresja liniowa odpornaUczenie maszynowe↔ compare
- Wytrzymały klasyfikator maszyny wektorów nośnychUczenie maszynowe↔ compare
- Uczenie metryczne wspomagane częściowym nadzoremUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →