Logistická regrese se samoučením
Logistická regrese se samoučením je dvoufázový proces, ve kterém je neuronový enkodér nejprve trénován na velkém množství neoznačených dat prostřednictvím předtextové úlohy se samoučením – jako je kontrastivní učení nebo maskované predikce – a poté jsou zmrazené naučené reprezentace klasifikovány standardním modelem logistické regrese trénovaným na malé označené datové sadě. Tento protokol lineárního hodnocení se široce používá k hodnocení kvality reprezentací naučených samoučením.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/cs/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.
- Logistická regrese (ML)Strojové učení↔ compare
- Samoučené rozhodovací stromyStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Logistická regrese s částečným dohledemStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →