Self-supervised K-nearest neighbors
Self-supervised K-nearest neighbors (SSL-kNN) kombiniert repräsentationslernen ohne Labels mit einem nicht-parametrischen k-NN-Klassifikator. Ein neuronaler Encoder wird zunächst mittels eines selbstüberwachten Ziels trainiert – wie kontrastives Lernen oder maskierte Vorhersage –, sodass semantisch ähnliche Stichproben im Einbettungsraum zusammengefasst werden. Eine einfache k-NN-Abfrage auf diesen Einbettungen weist dann Klassenlabels zu und dient sowohl als leichtgewichtige Sonde als auch als praktischer Klassifikator.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Wu, Z., Xiong, Y., Yu, S. X., & Lin, D. (2018). Unsupervised feature learning via non-parametric instance discrimination. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 3733–3742. DOI: 10.1109/CVPR.2018.00393 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-k-nearest-neighbors
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.
- Metrik-LernenMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-supervised K-Nearest NeighborsMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →