ScholarGate
Assistent
Machine learningMachine learning

Selv-superviseret K-means

Selv-superviseret K-means er en klyngeteknik, der kombinerer K-means-tilordning med selv-superviseret repræsentationslæring. Modellen skifter mellem at klynge umærkede datapunkter i K grupper og bruge disse klyngetilordninger som pseudo-etiketter til at forfine en underliggende trækrepræsentation, hvilket giver stadigt mere sammenhængende klynger uden nogen menneskeskabt sandhed.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Caron, M., Bojanowski, P., Joulin, A., & Douze, M. (2018). Deep Clustering for Unsupervised Learning of Visual Features. In Proceedings of the European Conference on Computer Vision (ECCV), 132–149. link
  2. Self-supervised learning. Wikipedia. link

Sådan citerer du denne side

ScholarGate. (2026, June 3). Self-supervised K-means Clustering. ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-k-means

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.

Compare side by side
ScholarGateSelf-supervised K-means (Self-supervised K-means Clustering). Hentet 2026-06-15 fra https://scholargate.app/da/machine-learning/self-supervised-k-means · Datasæt: https://doi.org/10.5281/zenodo.20539026