Processus Gaussien Auto-supervisé
Le Processus Gaussien Auto-supervisé (SSL-GP) combine la quantification d'incertitude rigoureuse des processus gaussiens avec le pré-entraînement auto-supervisé, apprenant des noyaux expressifs ou des représentations latentes à partir de données non étiquetées avant d'ajuster un processus gaussien sur un petit ensemble étiqueté. Cela rend l'approche particulièrement puissante dans les régimes de données peu étiquetées où un processus gaussien conventionnel sur-ajusterait ou produirait des estimations d'incertitude mal calibrées.
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
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/fr/machine-learning/self-supervised-gaussian-process
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.
- Apprentissage Actif par Processus GaussienApprentissage automatique↔ compare
- Processus Gaussien BayésienApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Processus Gaussien semi-superviséApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →