Selbstüberwachter Gaußscher Prozess
Selbstüberwachtes Gaußsches Prozessmodell (SSL-GP) kombiniert die prinzipielle Unsicherheitsquantifizierung von Gaußschen Prozessen mit selbstüberwachtem Vortraining, wobei aus unbeschrifteten Daten ausdrucksstarke Kerne oder latente Repräsentationen gelernt werden, bevor ein GP auf einem kleinen beschrifteten Datensatz angepasst wird. Dies macht den Ansatz besonders leistungsfähig in Bereichen mit wenigen beschrifteten Daten, in denen ein konventioneller GP überanpassen oder schlecht kalibrierte Unsicherheitsschätzungen liefern würde.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-gaussian-process
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.
- Aktives Lernen mit Gauß-ProzessenMaschinelles Lernen↔ compare
- Bayesian Gaussian ProcessMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-supervised Gaussian ProcessMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →