Apprentissage auto-supervisé par ensemble
L'apprentissage auto-supervisé par ensemble combine plusieurs modèles, objectifs ou vues d'augmentation auto-supervisés dans un cadre unifié pour produire des représentations plus robustes et généralisables à partir de données non étiquetées. En agrégeant divers signaux auto-supervisés, l'ensemble réduit le risque d'effondrement des représentations et surpasse les approches SSL à objectif unique sur les tâches en aval.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Grill, J.-B., Strub, F., Altché, F., Tallec, C., Richemond, P. H., Buchatskaya, E., Doersch, C., Ávila Pires, B., Guo, Z., Gheshlaghi Azar, M., Piot, B., Kavukcuoglu, K., Munos, R., & Valko, M. (2020). Bootstrap Your Own Latent: A New Approach to Self-Supervised Learning. Advances in Neural Information Processing Systems, 33, 21271–21284. link ↗
- Caron, M., Touvron, H., Misra, I., Jégou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. DOI: 10.1109/ICCV48922.2021.00951 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble Self-supervised Learning (Combining Multiple Self-supervised Models or Objectives). ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-self-supervised-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.
- Distillation de connaissancesApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →