Selv-superviseret Boosting
Selv-superviseret boosting integrerer selv-superviserede foropgavetyper (pretext tasks) i boosting-rammeværket – omfattende AdaBoost, gradient boosting og deres moderne varianter – for at udnytte store mængder umærkede data. Ved først at lære trækrepræsentationer fra umærkede prøver og derefter køre sekventielle svage-learner-ensembler på pseudo-mærkede data, opnår det konkurrencedygtig nøjagtighed, selv når sande etiketter er knappe.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Boosting (SSL-Boosting). ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-boosting
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.
- Aktiv læring med boostingMaskinlæring↔ compare
- BoostingMaskinlæring↔ compare
- Selvsuperviseret gradient-boostingMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised BoostingMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →