การเรียนรู้แบบกึ่งกำกับดูแลแบบปรับให้เหมาะสม
การเรียนรู้แบบกึ่งกำกับดูแลแบบปรับให้เหมาะสม (Regularized semi-supervised learning) เพิ่มพจน์การลงโทษ (penalty terms) ที่อิงตามเรขาคณิตหรือกราฟอย่างชัดเจนเข้าไปในฟังก์ชันวัตถุประสงค์ (objective function) แบบกึ่งกำกับดูแล เพื่อให้ฟังก์ชันการตัดสินใจ (decision function) เปลี่ยนแปลงอย่างราบรื่นไปตามแมนิโฟลด์ (manifold) ของข้อมูล วิธีการนี้ซึ่งริเริ่มโดยการปรับให้เหมาะสมบนแมนิโฟลด์ (manifold regularization) (Belkin, Niyogi & Sindhwani, 2006) ใช้ประโยชน์จากโครงสร้างของทั้งข้อมูลที่มีป้ายกำกับและไม่มีป้ายกำกับ เพื่อเรียนรู้แบบจำลองที่แม่นยำกว่าการปรับให้เหมาะสมแบบกำกับดูแลเพียงอย่างเดียว เมื่อข้อมูลที่มีป้ายกำกับมีอยู่อย่างจำกัด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/th/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.
- กระบวนการเกาส์เซียนการเรียนรู้ของเครื่อง↔ compare
- การแพร่กระจายป้ายกำกับการเรียนรู้ของเครื่อง↔ compare
- Regularized Logistic Regressionการเรียนรู้ของเครื่อง↔ compare
- Regularized Random Forestการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare