การเรียนรู้เมตริกที่ทนทาน
การเรียนรู้เมตริกที่ทนทาน (Robust Metric Learning) เรียนรู้ฟังก์ชันระยะห่างแบบมาฮาลาโนบิสจากข้อมูลที่มีป้ายกำกับหรือข้อมูลที่มีข้อจำกัดแบบคู่ โดยมีความสามารถในการต้านทานการบิดเบือนที่เกิดจากป้ายกำกับที่ไม่ถูกต้อง ตัวอย่างที่เสียหาย หรือค่าผิดปกติได้อย่างแข็งแกร่ง ด้วยการแทนที่ฟังก์ชันการสูญเสียแบบมาตรฐาน (hinge หรือ squared loss) ด้วยทางเลือกที่ทนทานและเพิ่มการทำให้เป็นปกติ (regularization) จะได้เมตริกการวัดระยะทางที่สามารถสรุปผลได้ดี แม้ว่าชุดข้อมูลฝึกฝนจะไม่สมบูรณ์ ซึ่งเป็นสถานการณ์ทั่วไปในงานวิทยาศาสตร์และการประยุกต์ใช้ในโลกแห่งความเป็นจริง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Shen, C., Kim, J., Wang, L., & van den Hengel, A. (2012). Positive Semidefinite Metric Learning Using Boosting-like Algorithms. Journal of Machine Learning Research, 13, 1007–1036. link ↗
- Cao, Q., Guo, Z.-C., & Ying, Y. (2012). Generalization Bounds for Metric and Similarity Learning. Machine Learning, 102(1), 115–132. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Metric Learning (Outlier-Resistant Distance Metric Learning). ScholarGate. https://scholargate.app/th/machine-learning/robust-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.
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้เมตริกการเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้นแบบทนทานการเรียนรู้ของเครื่อง↔ compare
- การสนับสนุนแบบจำลองที่แข็งแกร่งการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้เมตริกแบบกึ่งมีผู้สอนการเรียนรู้ของเครื่อง↔ compare