<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Semi Supervised on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/semi-supervised/</link><description>Recent content in Semi Supervised on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/semi-supervised/index.xml" rel="self" type="application/rss+xml"/><item><title>流形正则化</title><link>https://terms-en.ai-term-hub.com/zh/terms/manifold_regularization/</link><pubDate>Sat, 18 Jul 2026 11:25:36 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/manifold_regularization/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>流形正则化通过结合数据分布的内在几何结构，扩展了传统的正则化方法。它基于以下假设：高维数据点实际上分布在低维流形上，因此模型应遵循该流形的几何特性以保持平滑性。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一种半监督学习技术，假设数据位于低维流形上，并基于此几何结构对模型进行正则化。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>半监督学习&lt;/li>
&lt;li>数据流形&lt;/li>
&lt;li>图拉普拉斯算子&lt;/li>
&lt;li>平滑性先验&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>标签有限的文本分类&lt;/li>
&lt;li>图像识别任务&lt;/li>
&lt;li>生物医学数据分析&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/semi-supervised-learning-%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/">Semi-supervised learning (半监督学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/graph-based-learning-%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%9A%84%E5%AD%A6%E4%B9%A0/">Graph-based learning (基于图的学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/regularization-%E6%AD%A3%E5%88%99%E5%8C%96/">Regularization (正则化)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/laplacian-eigenmaps-%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E7%89%B9%E5%BE%81%E6%98%A0%E5%B0%84/">Laplacian Eigenmaps (拉普拉斯特征映射)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>协同训练</title><link>https://terms-en.ai-term-hub.com/zh/terms/co_training/</link><pubDate>Sat, 18 Jul 2026 11:10:07 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/co_training/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>该方法利用同一数据点的多个不同特征集（视图）。最初，在每个视图的小规模标注数据集上训练两个分类器。随后，它们对未标记数据进行预测，并仅选择高置信度的标签来辅助对方模型的训练。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>协同训练是一种半监督学习算法，利用数据的两个视图训练独立的分类器，这些分类器迭代地为彼此标记未标记数据。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>半监督学习&lt;/li>
&lt;li>多视图&lt;/li>
&lt;li>迭代标记&lt;/li>
&lt;li>高置信度选择&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>具有多特征的文本分类&lt;/li>
&lt;li>网页分类&lt;/li>
&lt;li>有限标签下的数据增强&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/semi-supervised-learning-%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/">Semi-Supervised Learning (半监督学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/self-training-%E8%87%AA%E8%AE%AD%E7%BB%83/">Self-Training (自训练)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/multi-view-learning-%E5%A4%9A%E8%A7%86%E5%9B%BE%E5%AD%A6%E4%B9%A0/">Multi-view Learning (多视图学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/active-learning-%E4%B8%BB%E5%8A%A8%E5%AD%A6%E4%B9%A0/">Active Learning (主动学习)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>