K-vecinos más cercanos auto-supervisado
El método de K-vecinos más cercanos auto-supervisado (SSL-kNN) combina el aprendizaje de representaciones sin etiquetas con un clasificador k-NN no paramétrico. Primero se entrena un codificador neuronal mediante un objetivo auto-supervisado —como la predicción contrastiva o enmascarada— para que las muestras semánticamente similares se agrupen en el espacio de incrustación (embedding). Luego, una simple búsqueda k-NN en esas incrustaciones asigna etiquetas de clase, sirviendo tanto como una sonda ligera como un clasificador práctico.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/es/machine-learning/self-supervised-k-nearest-neighbors
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Aprendizaje métricoAprendizaje automático↔ comparar
- Aprendizaje autosupervisadoAprendizaje automático↔ comparar
- K-vecinos más cercanos semi-supervisadoAprendizaje automático↔ comparar
- Aprendizaje por transferenciaAprendizaje automático↔ comparar
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →