ScholarGate
Assistent
Machine learningMachine learning

Selbstüberwachtes K-Means

Selbstüberwachtes K-Means ist eine Clustering-Technik, die die K-Means-Zuordnung mit selbstüberwachtem Repräsentationslernen kombiniert. Das Modell wechselt zwischen dem Clustern unbeschrifteter Datenpunkte in K Gruppen und der Verwendung dieser Clusterzuweisungen als Pseudo-Labels, um eine zugrunde liegende Merkmalsrepräsentation zu verfeinern, wodurch zunehmend kohärente Cluster ohne menschlich annotierte Ground Truth entstehen.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

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

Quellen

  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

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Self-supervised K-means Clustering. ScholarGate. https://scholargate.app/de/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). Abgerufen am 2026-06-15 von https://scholargate.app/de/machine-learning/self-supervised-k-means · Datensatz: https://doi.org/10.5281/zenodo.20539026