DBSCAN auto-supervisé
DBSCAN auto-supervisé est un pipeline non supervisé en deux étapes qui entraîne d'abord un encodeur neuronal sur une tâche prétexte — telle que l'apprentissage contrastif ou la reconstruction masquée — pour produire des plongements compacts et sémantiquement significatifs à partir de données non étiquetées, puis applique DBSCAN dans l'espace de plongement résultant pour découvrir des amas de forme arbitraire sans nécessiter d'étiquettes de classe.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/fr/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.
- DBSCANApprentissage automatique↔ compare
- HDBSCANApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- DBSCAN semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →