Multilayer Perceptron ที่มีการเรียนรู้แบบกึ่งหนึ่ง
Semi-supervised multilayer perceptron (SSL-MLP) คือโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า (feedforward neural network) ที่ได้รับการฝึกฝนจากชุดข้อมูลตัวอย่างที่มีป้ายกำกับจำนวนน้อย ควบคู่ไปกับชุดข้อมูลตัวอย่างที่ไม่มีป้ายกำกับจำนวนมาก โดยการผสมผสานฟังก์ชันการสูญเสียแบบมีผู้สอน (supervised cross-entropy loss) สำหรับข้อมูลที่มีป้ายกำกับ เข้ากับวัตถุประสงค์ของการเรียนรู้แบบไม่มีผู้สอน (unsupervised consistency or pseudo-label objective) สำหรับข้อมูลที่ไม่มีป้ายกำกับ จะช่วยให้สามารถดึงสัญญาณจากข้อมูลได้มากกว่า MLP แบบมีผู้สอนเพียงอย่างเดียวที่ฝึกฝนจากป้ายกำกับเท่านั้น
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- Chapelle, O., Scholkopf, B. & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. ICML 2013 Workshop on Challenges in Representation Learning. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Multilayer Perceptron (SSL-MLP). ScholarGate. https://scholargate.app/th/deep-learning/semi-supervised-multilayer-perceptron
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- มัลติเลเยอร์ เพอร์เซปตรอนที่ปรับละเอียดการเรียนรู้เชิงลึก↔ เปรียบเทียบ
- โครงข่ายประสาทเทียมแบบสังวัตนาการแบบกึ่งมีผู้สอนการเรียนรู้เชิงลึก↔ เปรียบเทียบ
- LSTM แบบกึ่งกำกับดูแลการเรียนรู้เชิงลึก↔ เปรียบเทียบ
- เพอร์เซปตรอนหลายชั้นแบบมีผู้สอนแบบอ่อนการเรียนรู้เชิงลึก↔ เปรียบเทียบ