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.
Zapis źródłowy
Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.
- 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
Wyselekcjonowane twierdzenia
Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.
Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.
Powiązane metody
Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.