Обучение метрике с частичным привлечением учителя
Обучение метрике с частичным привлечением учителя (Semi-supervised metric learning) позволяет обучить адаптированную к задаче функцию расстояния, комбинируя небольшой набор размеченных парных ограничений — пары «должны быть связаны» (must-link) и «не должны быть связаны» (cannot-link) — с геометрической структурой значительно большего пула неразмеченных данных. Результатом является расстояние типа Махаланобиса или на основе ядра, которое отражает как надзор, так и топологию данных, улучшая последующие задачи, такие как классификация методом ближайших соседей и кластеризация.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/ru/machine-learning/semi-supervised-metric-learning
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Обучение на малом числе примеров (Few-shot Learning)Машинное обучение↔ сравнить
- Метрическое обучениеМашинное обучение↔ сравнить
- Самообучение с учителемМашинное обучение↔ сравнить
- Обучение с частичной разметкойМашинное обучение↔ сравнить
- Перенос обученияМашинное обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →