Enesejuhendatud DBSCAN
Self-supervised DBSCAN on kaheetapiline juhendamata töötlus, mis esmalt koolitab närvivõrgu kodeerijat eelülesande abil – nagu kontrastiivne õpe või maskeeritud taastamine – et saada kompaktseid, semantiliselt tähendusrikkaid sisendeid ilma märgistamata andmetest, ning seejärel rakendab DBSCAN-i saadud sisendruumis, et avastada suvalise kujuga klastreid ilma klassimärgiseid vajamata.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhan, X., Liu, Z., Luo, P., Tang, X., & Loy, C. C. (2018). Rethinking deep neural network training for face recognition: A geometric approach. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2045–2054. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/et/machine-learning/self-supervised-dbscan
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.
- DBSCANMasinõpe↔ compare
- HDBSCANMasinõpe↔ compare
- K-keskmiste klasterdamineMasinõpe↔ compare
- Enesest juhendav õppimineMasinõpe↔ compare
- Pooljuhitud DBSCANMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →