Uczenie metryczne z samonadzorem
Uczenie metryczne z samonadzorem trenuje enkoder neuronowy do osadzania danych wejściowych w taki sposób, aby semantycznie podobne elementy znajdowały się blisko siebie w przestrzeni wektorowej, wykorzystując automatycznie generowane pseudopolepy zamiast ludzkich adnotacji. Łącząc zadania pretekstowe z samonadzorem z celami metrycznymi opartymi na kontraście lub trójkach, generuje on przenoszalne, wydajne pod względem etykiet reprezentacje, które można zastosować do wyszukiwania, klastrowania i klasyfikacji z niewielką liczbą przykładów.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML 2020), PMLR 119, 1597–1607. link ↗
- Khosla, P., Tian, Y., Wang, X., Liu, C., Krishnan, D., Isola, P., & Tian, Y. (2020). Supervised Contrastive Learning. Advances in Neural Information Processing Systems (NeurIPS 2020), 33, 18661–18673. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Metric Learning. ScholarGate. https://scholargate.app/pl/machine-learning/self-supervised-metric-learning
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.
- Uczenie metryczneUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Sieci neuronowe typu SiameseUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →