Itseohjautuva siirto-oppiminen
Itseohjautuva siirto-oppiminen yhdistää kaksi tehokasta paradigmaa: malli oppii ensin rikkaita representaatioita merkitsemättömästä datasta itseohjautuvien esitehtävien avulla, minkä jälkeen opitut representaatiot siirretään ja hienosäädetään jatkotehtävään rajallisella merkityllä datalla. Tämä lähestymistapa on perustana uraauurtaville järjestelmille, kuten BERT NLP:ssä sekä SimCLR ja DINO tietokonenäössä, vähentäen dramaattisesti merkityn datan tarvetta monilla aloilla.
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 ↗
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/fi/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.
- Few-shot LearningKoneoppiminen↔ compare
- MetriikkaoppiminenKoneoppiminen↔ compare
- Itseohjautuva harvojen esimerkkien oppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →