Hutan Rawak Kendiri-Penyeliaan
Hutan Rawak Kendiri-Penyeliaan (SSL-RF) melanjutkan hutan rawak klasik kepada tetapan di mana contoh berlabel jarang ditemui. Hutan ini mula-mula dilatih menggunakan label kejituan yang dijana secara automatik yang diperoleh daripada tugas awalan kendiri-penyeliaan — seperti meramal transformasi data atau ciri yang dilindungi — dan kemudian diperhalusi pada label sebenar yang ada, menggabungkan kecekapan label pembelajaran kendiri-penyeliaan dengan ketahanan pokok ensembel.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/ms/machine-learning/self-supervised-random-forest
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.
- Pohon KeputusanPembelajaran Mesin↔ compare
- Label PropagationPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →