Ensemble Self-supervised Learning
Ensemble Self-supervised Learning combineert meerdere zelf-gesuperviseerde modellen, doelstellingen of augmentatie-weergaven in een uniform raamwerk om robuustere en beter generaliseerbare representaties uit ongelabelde data te produceren. Door diverse zelf-gesuperviseerde signalen te aggregeren, vermindert het ensemble het risico op representatie-instorting en presteert het beter dan SSL-benaderingen met één doelstelling op downstreamtaken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Grill, J.-B., Strub, F., Altché, F., Tallec, C., Richemond, P. H., Buchatskaya, E., Doersch, C., Ávila Pires, B., Guo, Z., Gheshlaghi Azar, M., Piot, B., Kavukcuoglu, K., Munos, R., & Valko, M. (2020). Bootstrap Your Own Latent: A New Approach to Self-Supervised Learning. Advances in Neural Information Processing Systems, 33, 21271–21284. link ↗
- Caron, M., Touvron, H., Misra, I., Jégou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. DOI: 10.1109/ICCV48922.2021.00951 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Ensemble Self-supervised Learning (Combining Multiple Self-supervised Models or Objectives). ScholarGate. https://scholargate.app/nl/machine-learning/ensemble-self-supervised-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.
- KennisdestillatieDeep learning↔ compare
- Random ForestMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →