Regulariserad semisuperviserad inlärning
Regulariserad semisuperviserad inlärning lägger till explicita geometriska eller grafbaserade strafftermer till ett semisuperviserat mål så att beslutfunktionen varierar jämnt över datamanifolden. Pionjärarbete genom manifoldregularisering (Belkin, Niyogi & Sindhwani, 2006) utnyttjar strukturen hos både märkta och omärkta exempel för att lära sig mer exakta modeller än enbart superviserad regularisering när märkta data är knappa.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/sv/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.
- Gaussisk processMaskininlärning↔ compare
- EtikettpropageringMaskininlärning↔ compare
- Regulariserad logistisk regressionMaskininlärning↔ compare
- Regularized Random ForestMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →