Bosque Aleatorio Autosupervisado
El Bosque Aleatorio Autosupervisado (SSL-RF) extiende el bosque aleatorio clásico a entornos donde los ejemplos etiquetados son escasos. El bosque se entrena primero utilizando pseudoeiquetas generadas automáticamente a partir de una tarea pretexto autosupervisada —como predecir transformaciones de datos o características enmascaradas— y luego se refina con las etiquetas verdaderas disponibles, combinando la eficiencia de etiquetas del aprendizaje autosupervisado con la robustez de los árboles de ensamble.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/es/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.
- Árbol de DecisiónAprendizaje automático↔ compare
- Propagación de EtiquetasAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →