Yarı Denetimli Metrik Öğrenimi
Semi-supervised Metric Learning · Ayrıca şöyle bilinir: SSML, semi-supervised distance learning, constrained metric learning, weakly supervised metric learning
Yarı denetimli metrik öğrenimi, az sayıda etiketli ikili kısıtı — must-link (aynı sınıfa ait) ve cannot-link (farklı sınıfa ait) çiftleri — çok daha büyük bir etiketsiz veri havuzunun geometrik yapısıyla birleştirerek göreve uyarlanmış bir uzaklık fonksiyonu öğrenir. Sonuç, hem denetimi hem de veri topolojisini yansıtan, Mahalanobis tarzı veya çekirdek tabanlı bir uzaklıktır; bu da en yakın komşu sınıflandırması ve kümeleme gibi sonraki görevleri iyileştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli verinin az, ancak etiketsiz verinin bol olduğu ve sonraki görevin benzerlik kavramına kritik derecede bağlı olduğu durumlarda (kNN sınıflandırması, geri çağırma, kümeleme veya az örnekle öğrenme gibi) yarı denetimli metrik öğrenimi kullanın. Özellikle açıklama maliyetinin yüksek olduğu alanlarda değerlidir: tıbbi görüntüleme, moleküler biyoloji, belge geri çağırma. Etiketleriniz bol olduğunda (tamamen denetimli metrik öğrenimi daha basit ve güçlüdür), etiketsiz havuz küçük veya temsili olmadığında (manifold varsayımları bozulur) veya uygun çekirdek veya seyrek düzenleme olmaksızın veri boyutu çok yüksek olduğunda (Mahalanobis matris tahmini kötü koşullu hale gelir) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Etiketsiz yapıyı kullanarak tamamen etiketli veri ihtiyacını önemli ölçüde azaltır.
- Öğrenilen uzaklık, Öklid taban çizgilerinin ötesinde kNN, kümeleme ve geri çağırmayı iyileştirir.
- Birçok açıklama hattında ikili kısıtları toplamak, tam sınıf etiketlerinden daha kolaydır.
- Dışbükey formülasyonlar (örn. bilgi-teorik metrik öğrenimi) global optimumları garanti eder.
- Orijinal özellik uzayında veya çekirdeklenmiş / gömme uzaylarında çalışır.
- Kalite, manifold düzenliliği varsayımına bağlıdır: etiketsiz veri gürültülü veya temsili değilse, yayılan yapı metriği yanıltır.
- Yüksek boyutlu ayarlarda, Mahalanobis matrisini yönetilebilir tutmak için düzenleme veya düşük rank kısıtlamaları gerekir.
- Ölçeklenebilirlik sınırlıdır; büyük ikili kısıt kümeleri ve büyük çekirdek matrisleri üzerinde kesin optimizasyon maliyetli olabilir.
- Kısıt kalitesi önemlidir: gürültülü veya tutarsız must-link / cannot-link etiketleri performansı düşürür.
SSS
Tipik olarak kaç ikili kısıta ihtiyaç duyulur?
Birkaç düzineden birkaç yüze kadar kısıt bile, özellikle etiketsiz veri bol olduğunda, Öklid uzaklığına göre anlamlı bir iyileşme sağlayabilir. Performans genellikle birkaç bin kısıttan sonra doygunluğa ulaşır.
Bu, tamamen denetimli metrik öğreniminden nasıl farklıdır?
Tamamen denetimli metrik öğrenimi (örn. LMNN) yalnızca etiketli üçlüler veya çiftler üzerinde optimize eder. Yarı denetimli metrik öğrenimi, etiketsiz örneklerin geometrisini de bir düzenleyici olarak dahil eder, bu da genellikle çok daha az etiketle daha iyi genelleme sağlar.
Derin sinir ağları omurga olarak kullanılabilir mi?
Evet. Derin yarı denetimli metrik öğrenimi, etiketli çiftler üzerinde karşılaştırmalı veya üçlü kayıplar kullanarak bir kodlayıcıyı eğitirken, etiketsiz verilerden yararlanmak için kendi kendine denetimli ön görevleri veya sözde etiketleri kullanır ve her iki paradigmayı birleştirir.
Hangi değerlendirme metriğini kullanmalıyım?
Geri çağırma için: ortalama Hassasiyet (mAP) veya Recall@k. kNN sınıflandırması için: dışarıda bırakma değerlendirmesi altında doğruluk ve F1. Kümeleme için: ayrılmış etiketli bir alt küme üzerinde NMI ve ARI.
Bunun yerine ne zaman sadece kendi kendine denetimli veya transfer öğrenimi kullanmak daha iyidir?
Büyük bir önceden eğitilmiş modele erişiminiz varsa ve alanınız ön eğitim verilerinden çok uzak değilse, transfer öğrenimi veya kendi kendine denetimli ön eğitim genellikle YDML'den daha iyi performans gösterir, çünkü etiketsiz verilerle daha iyi ölçeklenirler ve açık ikili açıklama gerektirmezler.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-metric-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Az sayıda örnekle öğrenmeMakine öğrenmesi↔ karşılaştır
- Ölçüm ÖğrenmesiMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır