Самоконтролирано DBSCAN
Самоконтролираното DBSCAN е двуетапна неконтролирана конвейерна обработка, която първо обучава невронно кодиращо устройство (neural encoder) върху претекстова задача – като контрастивно обучение или маскирана реконструкция – за да произведе компактни, семантично значими вграждания (embeddings) от немаркирани данни, а след това прилага DBSCAN в полученото пространство на вграждане, за да открие клъстери с произволна форма, без да изисква никакви класови етикети.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhan, X., Liu, Z., Luo, P., Tang, X., & Loy, C. C. (2018). Rethinking deep neural network training for face recognition: A geometric approach. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2045–2054. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/bg/machine-learning/self-supervised-dbscan
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.
- DBSCANМашинно обучение↔ compare
- HDBSCANМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано DBSCANМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →