Machine learningMachine learning
自己教師あり転移学習
自己教師あり転移学習は、2つの強力なパラダイムを組み合わせたものです。まず、モデルは自己教師ありのプレテキストタスクを用いて、ラベルなしデータから豊富な表現を学習します。次に、学習された表現は、限られたラベル付きデータを持つ下流タスクに転移され、ファインチューニングされます。このアプローチは、NLPにおけるBERTや、コンピュータビジョンにおけるSimCLRやDINOといった画期的なシステムを支えており、多くのドメインでラベル付きデータの要件を劇的に削減しています。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/ja/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.
- Few-shot Learning機械学習↔ compare
- 距離学習機械学習↔ compare
- 自己教師あり少数ショット学習機械学習↔ compare
- 自己教師あり学習機械学習↔ compare
- 半教師あり学習機械学習↔ compare
- 転移学習機械学習↔ compare