Selv-superviseret logistisk regression
Selv-superviseret logistisk regression er en to-trins pipeline, hvor en neural encoder først trænes på rigelige umærkede data gennem en selv-superviseret forløbsopgave (pretext task) – såsom kontrastiv læring eller maskeret forudsigelse – og derefter klassificeres de frosne lærte repræsentationer med en standard logistisk regressionsmodel trænet på et lille mærket datasæt. Denne lineære evalueringsprotokol bruges bredt til at benchmarke kvaliteten af selv-superviserede repræsentationer.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/da/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.
- Logistisk regression (ML)Maskinlæring↔ compare
- Selv-overvåget beslutningstræMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised logistisk regressionMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →