Self-supervised LightGBM
Self-supervised LightGBM kombinuje paradigma samoučení s rámcem gradientového posilování LightGBM, aby využil velké objemy neoznačených tabulkových dat. Předtextová úloha samoučení – jako je predikce maskovaných příznaků nebo kontrastní poškození – generuje bohaté reprezentace příznaků nebo pseudo-označení, které se následně použijí k trénování nebo doladění modelu LightGBM, což podstatně zlepšuje výkon v režimech s nedostatkem označení.
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
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/cs/machine-learning/self-supervised-lightgbm
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.
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semi-supervised LightGBMStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →