Logistische Regression mit Selbstüberwachung
Die logistische Regression mit Selbstüberwachung ist eine zweistufige Pipeline, bei der zunächst ein neuronaler Encoder auf reichlich unbeschrifteten Daten durch eine selbstüberwachte Prätextaufgabe trainiert wird – wie z. B. kontrastives Lernen oder maskierte Vorhersage –, und dann die eingefrorenen erlernten Repräsentationen mit einem Standard-Logistikregressionsmodell klassifiziert werden, das auf einem kleinen beschrifteten Datensatz trainiert wurde. Dieses lineare Evaluationsprotokoll wird häufig zur Bewertung der Qualität selbstüberwachter Repräsentationen verwendet.
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. Proceedings of the 37th International Conference on Machine Learning (ICML), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-logistic-regression
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.
- Logistische Regression (ML)Maschinelles Lernen↔ compare
- Selbstüberwachte EntscheidungsbäumeMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-überwachte logistische RegressionMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →