Proceso Gaussiano Autosupervisado
El Proceso Gaussiano Autosupervisado (SSL-GP) combina la cuantificación de incertidumbre basada en principios de los procesos gaussianos con el preentrenamiento autosupervisado, aprendiendo kernels expresivos o representaciones latentes a partir de datos no etiquetados antes de ajustar un GP en un pequeño conjunto etiquetado. Esto hace que el enfoque sea especialmente potente en regímenes con pocos datos etiquetados, donde un GP convencional se sobreajustaría o produciría estimaciones de incertidumbre mal calibradas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/es/machine-learning/self-supervised-gaussian-process
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.
- Proceso Gaussiano de Aprendizaje ActivoAprendizaje automático↔ compare
- Proceso Gaussiano BayesianoAprendizaje automático↔ compare
- Proceso gaussianoAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Proceso Gaussiano SemisupervisadoAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →