Zelf-gesuperviseerde Logistische Regressie
Zelf-gesuperviseerde logistische regressie is een tweefasenpijplijn waarin eerst een neurale encoder wordt getraind op overvloedige ongelabelde gegevens via een zelf-gesuperviseerde pretext-taak — zoals contrastief leren of gemaskeerde voorspelling — en vervolgens de bevroren geleerde representaties worden geclassificeerd met een standaard logistisch regressiemodel dat is getraind op een kleine gelabelde dataset. Dit lineaire evaluatieprotocol wordt veel gebruikt om de kwaliteit van zelf-gesuperviseerde representaties te benchmarken.
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. Proceedings of the 37th International Conference on Machine Learning (ICML), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/nl/machine-learning/self-supervised-logistic-regression
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.
- Logistische regressie (ML)Machine learning↔ compare
- Zelf-gesuperviseerde BeslissingsboomMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-gesuperviseerde Logistische RegressieMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →