Pašuzraudzītā LightGBM
Pašuzraudzītā LightGBM apvieno pašuzraudzītās apguves paradigmu ar LightGBM gradientu pastiprināšanas sistēmu, lai izmantotu lielu apjomu neapzīmētu tabulu datu apjomu. Pašuzraudzēts priekšteksta uzdevums — piemēram, maskēto iezīmju prognozēšana vai kontrastējoša korupcija — rada bagātīgas iezīmju reprezentācijas vai pseido-etiķetes, ko pēc tam izmanto LightGBM modeļa apmācībai vai precizēšanai, būtiski uzlabojot veiktspēju režīmos ar maz etiķešu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/lv/machine-learning/self-supervised-lightgbm
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.
- Gradient BoostingMašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Semi-supervised LightGBMMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →