Uczenie transferowe z samo-nadzorem
Uczenie transferowe z samo-nadzorem łączy dwa potężne paradygmaty: model najpierw uczy się bogatych reprezentacji z nieetykietowanych danych za pomocą zadań pretekstowych z samo-nadzorem, a następnie te nauczone reprezentacje są przenoszone i dostrajane do zadania docelowego z ograniczoną liczbą etykietowanych danych. To podejście leży u podstaw przełomowych systemów, takich jak BERT w NLP oraz SimCLR i DINO w wizji komputerowej, drastycznie redukując zapotrzebowanie na etykietowane dane w wielu dziedzinach.
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. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/pl/machine-learning/self-supervised-transfer-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 z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie metryczneUczenie maszynowe↔ compare
- Samonadzorowane uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →