Zelf-gesuperviseerde DBSCAN
Zelf-gesuperviseerde DBSCAN is een tweefasige ongesuperviseerde pijplijn die eerst een neurale encoder traint op een voorwendseltaak — zoals contrastief leren of gemaskeerde reconstructie — om compacte, semantisch betekenisvolle inbeddingen uit ongelabelde gegevens te produceren, en vervolgens DBSCAN toepast in de resulterende inbeddingsruimte om willekeurig gevormde clusters te ontdekken zonder dat er klasse-etiketten nodig zijn.
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
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhan, X., Liu, Z., Luo, P., Tang, X., & Loy, C. C. (2018). Rethinking deep neural network training for face recognition: A geometric approach. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2045–2054. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/nl/machine-learning/self-supervised-dbscan
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.
- DBSCANMachine learning↔ compare
- HDBSCANMachine learning↔ compare
- K-means ClusteringMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised DBSCANMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →