Логистична регресия със самообучение
Логистичната регресия със самообучение е двуетапен процес, при който първо се обучава невронна кодираща мрежа върху изобилие от немаркирани данни чрез самообучаваща се предварителна задача — като контрастно обучение или маскирано предсказване — и след това замразените научени представяния се класифицират със стандартен модел на логистична регресия, обучен върху малък маркиран набор от данни. Този протокол за линейна оценка се използва широко за сравняване на качеството на самообучаващите се представяния.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/bg/machine-learning/self-supervised-logistic-regression
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.
- Логистична регресия (ML)Машинно обучение↔ compare
- Самообучаващо се дърво на решениятаМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавана логистична регресияМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →