Régression logistique auto-supervisée
La régression logistique auto-supervisée est un pipeline en deux étapes dans lequel un encodeur neuronal est d'abord entraîné sur d'abondantes données non étiquetées via une tâche prétexte auto-supervisée — telle que l'apprentissage contrastif ou la prédiction masquée — puis les représentations apprises figées sont classifiées avec un modèle de régression logistique standard entraîné sur un petit ensemble de données étiquetées. Ce protocole d'évaluation linéaire est largement utilisé pour évaluer la qualité des représentations auto-supervisées.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/fr/machine-learning/self-supervised-logistic-regression
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.
- Régression logistique (ML)Apprentissage automatique↔ compare
- Arbre de décision auto-superviséApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Semi-supervised Logistic RegressionApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →