Selbstüberwachtes Zufallswald
Selbstüberwachtes Zufallswald (SSL-RF) erweitert den klassischen Zufallswald auf Szenarien, in denen gelabelte Beispiele rar sind. Der Wald wird zunächst mit automatisch generierten Pseudolabels trainiert, die aus einer selbstüberwachten Prätextaufgabe abgeleitet werden – wie z. B. der Vorhersage von Datentransformationen oder maskierten Merkmalen – und dann mit den verfügbaren echten Labels verfeinert, wodurch die Label-Effizienz des selbstüberwachten Lernens mit der Robustheit von Ensemble-Bäumen kombiniert wird.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/de/machine-learning/self-supervised-random-forest
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.
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →