K-nearest neighbors swa-supervisi (SSL-kNN)
K-nearest neighbors swa-supervisi (SSL-kNN) mengombinasikan pembelajaran representasi tanpa label dengan pengklasifikasi k-NN non-parametrik. Sebuah pengkode neural pertama-tama dilatih melalui tujuan swa-supervisi — seperti prediksi kontrasif atau tertutup — sehingga sampel yang secara semantik serupa berkelompok dalam ruang penyematan. Pencarian k-NN sederhana pada penyematan tersebut kemudian menetapkan label kelas, berfungsi baik sebagai probe ringan maupun sebagai pengklasifikasi praktis.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Wu, Z., Xiong, Y., Yu, S. X., & Lin, D. (2018). Unsupervised feature learning via non-parametric instance discrimination. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 3733–3742. DOI: 10.1109/CVPR.2018.00393 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/id/machine-learning/self-supervised-k-nearest-neighbors
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Pembelajaran MetrikPembelajaran Mesin↔ bandingkan
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ bandingkan
- K-Nearest Neighbors Semi-TerawasiPembelajaran Mesin↔ bandingkan
- Transfer LearningPembelajaran Mesin↔ bandingkan
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →