Uczenie metryczne wspomagane częściowym nadzorem
Uczenie metryczne wspomagane częściowym nadzorem (semi-supervised metric learning) uczy funkcji odległości dostosowanej do zadania, łącząc niewielki zbiór etykietowanych par ograniczeń — pary „muszą być połączone” (must-link) i „nie mogą być połączone” (cannot-link) — ze strukturą geometryczną znacznie większej puli nieetykietowanych danych. Wynikiem jest odległość typu Mahalanobisa lub oparta na jądrze, która odzwierciedla zarówno nadzór, jak i topologię danych, poprawiając zadania niższego poziomu, takie jak klasyfikacja najbliższych sąsiadów i klastrowanie.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/pl/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.
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie metryczneUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →