Samoučení přenosového učení
Samoučení přenosového učení kombinuje dva mocné přístupy: model nejprve získává bohaté reprezentace z neoznačených dat pomocí předem definovaných úloh samoučení, a poté jsou tyto naučené reprezentace přeneseny a doladěny na následném úkolu s omezeným množstvím označených dat. Tento přístup stojí za zlomovými systémy, jako je BERT v oblasti zpracování přirozeného jazyka (NLP) a SimCLR a DINO v počítačovém vidění, a dramaticky snižuje požadavky na označená data v mnoha doménách.
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. 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/cs/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.
- Učení s malým počtem příkladůStrojové učení↔ compare
- Učení metrikStrojové učení↔ compare
- Samoučení s malým počtem příkladůStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →