فرایند گاوسی خودنظارتی
فرایند گاوسی خودنظارتی (SSL-GP) ترکیب میکند کمیسازی عدم قطعیت اصولمند فرایندهای گاوسی را با پیشآموزش خودنظارتی، که در آن هستههای بیانی یا نمایشهای نهفته از دادههای بدون برچسب آموخته میشوند، پیش از آنکه یک GP بر روی مجموعهای کوچک از دادههای برچسبدار برازش شود. این رویکرد به ویژه در رژیمهای دادهای با برچسب کم قدرتمند است، جایی که یک GP معمولی دچار بیشبرازش شده یا تخمینهای عدم قطعیت با کالیبراسیون ضعیف تولید میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/fa/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.
- یادگیری فعال فرایند گوسی (GP-AL)یادگیری ماشین↔ compare
- فرایند گاوسی بیزییادگیری ماشین↔ compare
- فرایند گوسییادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- فرایند گوسی نیمهنظارتشدهیادگیری ماشین↔ compare
- Variational Autoencoderیادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →