Samostatně dohlížené Gaussovo jádro
Samostatně dohlížené Gaussovo jádro (SSL-GP) kombinuje principielní kvantifikaci nejistoty Gaussových procesů se samostatně dohlíženým předtrénováním, učí se expresivní jádra nebo latentní reprezentace z neoznačených dat před přizpůsobením GP na malé označené množině. Díky tomu je tento přístup obzvláště účinný v režimech s malým množstvím označených dat, kde by konvenční GP došlo k přeučení nebo by poskytlo špatně kalibrované odhady nejistoty.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/cs/machine-learning/self-supervised-gaussian-process
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.
- Aktivní učení s Gaussovským procesemStrojové učení↔ compare
- Bayesovský Gaussovský procesStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Poloučený Gaussovský procesStrojové učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →