Selvovervåget Random Forest
Selvovervåget Random Forest (SSL-RF) udvider den klassiske random forest til situationer, hvor mærkede eksempler er sparsomme. Skoven trænes først ved hjælp af automatisk genererede pseudo-etiketter afledt af en selvovervåget pretext-opgave — såsom at forudsige datatransformationer eller maskerede træk — og forfines derefter på de tilgængelige sande etiketter, hvilket forener den etiket-effektivitet, der kendetegner selvovervåget læring, med robustheden af ensembletræer.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-random-forest
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.
- BeslutningstræMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →