K-πλησιέστερων γειτόνων με αυτο-εποπτεία
Η μέθοδος K-πλησιέστερων γειτόνων με αυτο-εποπτεία (SSL-kNN) συνδυάζει την εκμάθηση αναπαραστάσεων χωρίς ετικέτες με έναν μη-παραμετρικό ταξινομητή k-NN. Ένας νευρωνικός κωδικοποιητής εκπαιδεύεται αρχικά μέσω ενός αυτο-εποπτευόμενου στόχου — όπως η συγκριτική μάθηση ή η προβλεψιμότητα καλυμμένων δεδομένων — έτσι ώστε σημασιολογικά παρόμοια δείγματα να ομαδοποιούνται στον χώρο των ενσωματώσεων. Μια απλή αναζήτηση k-NN σε αυτές τις ενσωματώσεις στη συνέχεια αναθέτει ετικέτες κλάσης, λειτουργώντας τόσο ως ελαφρύς ανιχνευτής όσο και ως πρακτικός ταξινομητής.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/el/machine-learning/self-supervised-k-nearest-neighbors
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Εκμάθηση ΜετρικήςΜηχανική Μάθηση↔ σύγκριση
- Αυτο-εποπτευόμενη ΜάθησηΜηχανική Μάθηση↔ σύγκριση
- Semi-supervised K-nearest neighborsΜηχανική Μάθηση↔ σύγκριση
- Εκμάθηση μεταφοράςΜηχανική Μάθηση↔ σύγκριση
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →