ScholarGate
Assistente
Machine learningMachine learning

Apprendimento per Trasferimento Auto-supervisionato

L'apprendimento per trasferimento auto-supervisionato combina due potenti paradigmi: un modello apprende innanzitutto rappresentazioni ricche da dati non etichettati utilizzando compiti pretesto auto-supervisionati, quindi tali rappresentazioni apprese vengono trasferite e affinate (fine-tuned) su un compito downstream con dati etichettati limitati. Questo approccio è alla base di sistemi fondamentali come BERT in NLP e SimCLR e DINO nella computer vision, riducendo drasticamente i requisiti di dati etichettati in molti domini.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

Fonti

  1. 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
  2. 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

Come citare questa pagina

ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/it/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.

Compare side by side
ScholarGateSelf-supervised Transfer learning (Self-supervised Pre-training for Transfer Learning). Consultato il 2026-06-15 da https://scholargate.app/it/machine-learning/self-supervised-transfer-learning · Insieme di dati: https://doi.org/10.5281/zenodo.20539026