Selv-supervisert tilfeldig skog
Selv-supervisert tilfeldig skog (SSL-RF) utvider den klassiske tilfeldige skogen til innstillinger der merkede eksempler er knappe. Skogen trenes først ved hjelp av automatisk genererte pseudo-etiketter utledet fra en selv-supervisert forberedende oppgave – som å forutsi datatransformasjoner eller maskerte trekk – og deretter finjusteres på de sanne etikettene som er tilgjengelige, og kombinerer merkeeffektiviteten til selv-supervisert læring med robustheten til ensembletrær.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/no/machine-learning/self-supervised-random-forest
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.
- BeslutningstreMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →