Selv-supervisert LightGBM
Selv-supervisert LightGBM kombinerer det selv-superviserte læringsparadigmet med LightGBM gradient boosting-rammeverket for å utnytte store mengder umerkede tabulære data. En selv-supervisert fortekst-oppgave — som prediksjon av maskerte trekk eller kontrastiv korrupsjon — genererer rike trekkrepresentasjoner eller pseudomerker som deretter brukes til å trene eller finjustere en LightGBM-modell, noe som forbedrer ytelsen betydelig i regimer med lite merking.
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
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/no/machine-learning/self-supervised-lightgbm
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.
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semi-veilet LightGBMMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →