Învățare semi-supervizată regularizată
Învățarea semi-supervizată regularizată adaugă termeni expliciți de penalizare geometrică sau bazată pe grafuri la un obiectiv semi-supervizat, astfel încât funcția de decizie să varieze lin peste varietatea de date. Pionierată prin regularizarea varietății (Belkin, Niyogi & Sindhwani, 2006), aceasta exploatează structura atât a exemplelor etichetate, cât și a celor neetichetate pentru a învăța modele mai precise decât regularizarea supervizată singură, atunci când datele etichetate sunt rare.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Cum se citează această pagină
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/ro/machine-learning/regularized-semi-supervised-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.
- Proces GaussianÎnvățare automată↔ compare
- Propagarea etichetelorÎnvățare automată↔ compare
- Regresia logistică regularizatăÎnvățare automată↔ compare
- Pădure Aleatorie RegularizatăÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →