Selbstüberwachte Entscheidungsbäume

Das Lernen mit selbstüberwachten Entscheidungsbäumen kombiniert die Interpretierbarkeit klassischer Entscheidungsbäume mit der Fähigkeit, große Mengen unbeschrifteter Daten durch selbstüberwachte Prätext-Aufgaben zu nutzen. Das Modell lernt nützliche Merkmalsrepräsentationen oder Knotenaufteilungskriterien aus unbeschrifteten Stichproben, bevor es Vorhersagen auf einem kleinen beschrifteten Datensatz verfeinert und damit die Lücke zwischen vollständig überwachten Bäumen und rein unüberwachtem Clustering schließt.