Pembelajaran Transfer Mandiri-Supervisi
Pembelajaran transfer mandiri-supervisi menggabungkan dua paradigma yang kuat: sebuah model pertama-tama mempelajari representasi kaya dari data tak berlabel menggunakan tugas-tugas pretext mandiri-supervisi, kemudian representasi yang dipelajari tersebut ditransfer dan disesuaikan (fine-tuned) pada tugas hilir dengan data berlabel terbatas. Pendekatan ini mendasari sistem-sistem penting seperti BERT dalam NLP dan SimCLR serta DINO dalam visi komputer, yang secara dramatis mengurangi kebutuhan data berlabel di berbagai domain.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
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 ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/id/machine-learning/self-supervised-transfer-learning
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.
- Pembelajaran Sedikit Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran MetrikPembelajaran Mesin↔ compare
- Pembelajaran Sedikit-Shot Berbasis Self-SupervisedPembelajaran Mesin↔ compare
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Transfer LearningPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →