Selv-overvåget Gaussisk Blandingsmodel
En selv-overvåget Gaussisk Blandingsmodel (SS-GMM) kombinerer selv-overvåget repræsentationslæring med en probabilistisk Gaussisk blandingsprior for at opdage meningsfulde klynger i u-mærkede eller delvist mærkede data. Ved at udnytte fortekst-opgaver til at lære rige indlejringer før tilpasning af en GMM, opnår den en klyngekvalitet, som standard GMM'er anvendt på rå træk sjældent når, især på komplekse billed-, tekst- eller biologiske data.
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 Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-gaussian-mixture-model
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.
- Semi-supervised LearningMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →