Selv-supervisert DBSCAN
Selv-supervisert DBSCAN er en to-trinns uovervåket pipeline som først trener en nevral koder på en forhåndsbestemt oppgave — som kontrastiv læring eller maskert rekonstruksjon — for å produsere kompakte, semantisk meningsfulle innbygginger fra umerkede data, og deretter anvender DBSCAN i det resulterende innbyggingsrommet for å oppdage vilkårlig formede klynger uten behov for noen klasselabels.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Representation Learning with DBSCAN Clustering. ScholarGate. https://scholargate.app/no/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.
- DBSCANMaskinlæring↔ compare
- HDBSCANMaskinlæring↔ compare
- K-means klyngeanalyseMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semi-supervised DBSCANMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →