Itseohjautuva DBSCAN
Itseohjautuva DBSCAN on kaksivaiheinen ohjaamaton työnkulku, joka ensin kouluttaa neuroverkon enkooderin esitehtävällä – kuten kontrastiivisella oppimisella tai maskatulla rekonstruktiolla – tuottaakseen tiiviitä, semanttisesti merkityksellisiä upotuksia leimaamattomasta datasta, ja soveltaa sitten DBSCAN-algoritmia tuloksena olevassa upotusavaruudessa mielivaltaisen muotoisten klustereiden löytämiseksi ilman luokkamerkintöjä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/fi/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.
- DBSCANKoneoppiminen↔ compare
- HDBSCANKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Semi-supervised DBSCANKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →