Zelf-gesuperviseerd Gaussisch Proces
Zelf-gesuperviseerde Gaussische Processen (SSL-GP) combineert de principieel onderbouwde onzekerheidskwantificatie van Gaussische processen met zelf-gesuperviseerde voor-training, waarbij expressieve kernels of latente representaties worden geleerd uit ongelabelde data voordat een GP wordt aangepast aan een kleine gelabelde set. Dit maakt de aanpak bijzonder krachtig in regimes met weinig gelabelde data, waar een conventionele GP zou overfitten of slecht gekalibreerde onzekerheidsschattingen zou produceren.
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
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/nl/machine-learning/self-supervised-gaussian-process
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.
- Actief Leren Gaussisch ProcesMachine learning↔ compare
- Bayesian Gaussische ProcesMachine learning↔ compare
- Gaussiaans ProcesMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised Gaussian ProcessMachine learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →