Samo-nadzorowany proces Gaussa
Samo-nadzorowany proces Gaussa (SSL-GP) łączy zasadniczą kwantyfikację niepewności procesów Gaussa z samo-nadzorowanym wstępnym uczeniem, ucząc się wyrazistych jąder lub reprezentacji ukrytych z nieoznakowanych danych przed dopasowaniem GP do małego zbioru oznakowanego. To sprawia, że podejście jest szczególnie skuteczne w reżimach z małą ilością oznakowanych danych, gdzie konwencjonalny GP nadmiernie dopasowałby się lub wyprodukowałby źle skalibrowane oszacowania niepewności.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Fortuin, V., Rätsch, G., & Mandt, S. (2020). GP-VAE: Deep probabilistic time series imputation using Gaussian process variational autoencoders. Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 108, 1651–1661. link ↗
- Gaussian process. Wikipedia. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Gaussian Process (SSL-GP). ScholarGate. https://scholargate.app/pl/machine-learning/self-supervised-gaussian-process
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.
- Aktywne uczenie z procesem GaussaUczenie maszynowe↔ compare
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Gaussowski proces półnadzorowanyUczenie maszynowe↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →