Самообучаващо се трансферно обучение
Самообучаващото се трансферно обучение съчетава два мощни парадигми: моделът първо научава богати представяния от немаркирани данни чрез самообучаващи се предварителни задачи, след което научените представяния се трансферират и донастройват за последваща задача с ограничени маркирани данни. Този подход стои в основата на основополагащи системи като BERT в НЛП и SimCLR и DINO в компютърното зрение, като драстично намалява изискванията за маркирани данни в много области.
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. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/bg/machine-learning/self-supervised-transfer-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.
- Обучение с малко примериМашинно обучение↔ compare
- Метрично обучениеМашинно обучение↔ compare
- Самоконтролирано учене с малко примериМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →