Forêt aléatoire auto-supervisée
La forêt aléatoire auto-supervisée (SSL-RF) étend la forêt aléatoire classique aux contextes où les exemples étiquetés sont rares. La forêt est d'abord entraînée à l'aide de pseudo-étiquettes générées automatiquement à partir d'une tâche prétexte auto-supervisée — telle que la prédiction de transformations de données ou de caractéristiques masquées — puis affinée sur les étiquettes réelles disponibles, combinant l'efficacité en matière d'étiquetage de l'apprentissage auto-supervisé avec la robustesse des arbres d'ensemble.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/fr/machine-learning/self-supervised-random-forest
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.
- Arbre de décisionApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →