Machine learningMachine learning

Λογιστική Παλινδρόμηση με Αυτο-εποπτεία

Η λογιστική παλινδρόμηση με αυτο-εποπτεία είναι μια δίφασική διαδικασία στην οποία πρώτα εκπαιδεύεται ένας νευρωνικός κωδικοποιητής (encoder) σε άφθονα μη επισημασμένα δεδομένα μέσω μιας προκαταρκτικής εργασίας αυτο-εποπτείας — όπως η συγκριτική μάθηση (contrastive learning) ή η συμπληρωμένη πρόβλεψη (masked prediction) — και στη συνέχεια οι παγωμένες, μαθημένες αναπαραστάσεις ταξινομούνται με ένα τυπικό μοντέλο λογιστικής παλινδρόμησης που εκπαιδεύεται σε ένα μικρό επισημασμένο σύνολο δεδομένων. Αυτό το πρωτόκολλο γραμμικής αξιολόγησης χρησιμοποιείται ευρέως για τη μέτρηση της ποιότητας των αυτο-εποπτευόμενων αναπαραστάσεων.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateSelf-supervised Logistic Regression (Self-supervised Representation Learning with Logistic Regression Classifier). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/self-supervised-logistic-regression · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026