Aprendizaje por transferencia auto-supervisado
El aprendizaje por transferencia auto-supervisado combina dos paradigmas potentes: un modelo primero aprende representaciones ricas a partir de datos no etiquetados mediante tareas pretexto auto-supervisadas, y luego esas representaciones aprendidas se transfieren y se ajustan finamente en una tarea posterior con datos etiquetados limitados. Este enfoque subyace a sistemas emblemáticos como BERT en PLN y SimCLR y DINO en visión por computadora, reduciendo drásticamente los requisitos de datos etiquetados en muchos dominios.
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
- 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 ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/es/machine-learning/self-supervised-transfer-learning
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.
- Aprendizaje con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje métricoAprendizaje automático↔ compare
- Aprendizaje autosupervisado de pocas muestrasAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →