การเรียนรู้เมตริกแบบกึ่งมีผู้สอน
การเรียนรู้เมตริกแบบกึ่งมีผู้สอน (Semi-supervised metric learning) เรียนรู้ฟังก์ชันระยะทางที่ปรับให้เข้ากับงาน โดยการรวมชุดข้อจำกัดคู่เล็กๆ ที่มีป้ายกำกับ — คู่ที่ต้องเชื่อมโยง (must-link) และคู่ที่เชื่อมโยงไม่ได้ (cannot-link) — เข้ากับโครงสร้างทางเรขาคณิตของข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก ผลลัพธ์ที่ได้คือระยะทางแบบ Mahalanobis หรือแบบเคอร์เนล (kernel-based) ที่สะท้อนทั้งการกำกับดูแลและโทโพโลยีของข้อมูล ซึ่งช่วยปรับปรุงงานต่อเนื่อง เช่น การจำแนกประเภทเพื่อนบ้านใกล้สุด (nearest-neighbor classification) และการจัดกลุ่ม (clustering)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/th/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.
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้เมตริกการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare