Self-supervised Gaussian Mixture Model
A Self-supervised Gaussian Mixture Model (SS-GMM) combines self-supervised representation learning with a probabilistic Gaussian mixture prior to discover meaningful clusters in unlabeled or partially labeled data. By leveraging pretext tasks to learn rich embeddings before fitting a GMM, it achieves cluster quality that standard GMMs applied to raw features rarely reach, especially on complex image, text, or biological data.
Kilderegister
Siteringer kopiert ordrett fra metodens kilderegister. Ingen påstandsnivåverifisering er underforstått fra dem.
- Zhai, X., Oliver, A., Kolesnikov, A., & Beyer, L. (2019). S4L: Self-supervised semi-supervised learning. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 1476–1485. · URL
- Mixture model. Wikipedia. · URL
Kuraterte påstander
Påstander lagret i bevishovedboken, hver med sin egen vurdering.
Denne visningen finner ikke opp en påstandsvurdering når hovedboken ikke har noen.
Relaterte metoder
Generert fra metodegrafen og vist som maskinforslåtte relasjoner – ingen bevispåstand er underforstått.