Itseohjautuva K-lähimmän naapurin menetelmä
Itseohjautuva K-lähimmän naapurin menetelmä (SSL-kNN) yhdistää merkitysten oppimisen ilman leimoja ei-parametriseen k-NN-luokittelijaan. Neuroverkkoenkooderi koulutetaan ensin itseohjautuvalla tavoitteella – kuten kontrastiivisella oppimisella tai maskatulla ennustamisella – siten, että semanttisesti samankaltaiset näytteet klusteroituvat upotusavaruuteen. Yksinkertainen k-NN-haku näistä upotuksista määrittää luokkamerkit, toimien sekä kevyenä mittarina että käytännöllisenä luokittelijana.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
- Wu, Z., Xiong, Y., Yu, S. X., & Lin, D. (2018). Unsupervised feature learning via non-parametric instance discrimination. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 3733–3742. DOI: 10.1109/CVPR.2018.00393 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/fi/machine-learning/self-supervised-k-nearest-neighbors
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.
- MetriikkaoppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puolivalvottu K-lähimmän naapurin menetelmäKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →