Semi-supervidované učenie metrík
Semi-supervidované učenie metrík sa učí funkciu vzdialenosti prispôsobenú úlohe kombinovaním malej sady označených párových obmedzení — párov must-link a cannot-link — s geometrickou štruktúrou oveľa väčšieho množstva neoznačených dát. Výsledkom je vzdialenosť Mahalanobisovho typu alebo vzdialenosť založená na jadre, ktorá odráža supervíziu aj topológiu dát, čím zlepšuje následné úlohy, ako je klasifikácia najbližšieho suseda a zhlukovanie.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/sk/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.
- Few-shot LearningStrojové učenie↔ compare
- Učenie metríkStrojové učenie↔ compare
- SamoučenieStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →