Selbstüberwachtes Metrik-Lernen
Selbstüberwachtes Metrik-Lernen trainiert einen neuronalen Encoder, um Eingaben so einzubetten, dass semantisch ähnliche Elemente im Vektorraum nahe beieinander liegen, wobei automatisch generierte Pseudolabels anstelle menschlicher Annotationen verwendet werden. Durch die Kombination von selbstüberwachten Vorwandaufgaben mit kontrastiven oder triplet-basierten Metrikzielen werden übertragbare, label-effiziente Repräsentationen erzeugt, die für Retrieval, Clustering und Few-Shot-Klassifizierung anwendbar sind.
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 2020), PMLR 119, 1597–1607. link ↗
- Khosla, P., Tian, Y., Wang, X., Liu, C., Krishnan, D., Isola, P., & Tian, Y. (2020). Supervised Contrastive Learning. Advances in Neural Information Processing Systems (NeurIPS 2020), 33, 18661–18673. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Metric Learning. ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-metric-learning
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
- Siamesisches Neuronales NetzDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →