Zelf-gesuperviseerde K-naaste buren
Zelf-gesuperviseerde K-naaste buren (SSL-kNN) combineert representatie-leren zonder labels met een niet-parametrische k-NN-classificator. Een neurale encoder wordt eerst getraind via een zelf-gesuperviseerd doel — zoals contrastieve of gemaskeerde voorspelling — zodat semantisch vergelijkbare samples in de embeddingruimte clusteren. Een eenvoudige k-NN-lookup op die embeddings wijst vervolgens klasselabels toe, dienend als zowel een lichtgewicht probe als een praktische classificator.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Wu, Z., Xiong, Y., Yu, S. X., & Lin, D. (2018). Unsupervised feature learning via non-parametric instance discrimination. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 3733–3742. DOI: 10.1109/CVPR.2018.00393 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised K-Nearest Neighbors (SSL-kNN). ScholarGate. https://scholargate.app/nl/machine-learning/self-supervised-k-nearest-neighbors
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.
- Metrische LerenMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised K-Nearest NeighborsMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →