Regressão Logística Autossupervisionada
Regressão logística autossupervisionada é um pipeline de duas etapas no qual um codificador neural é primeiro treinado em dados abundantes e não rotulados através de uma tarefa pretexto autossupervisionada — como aprendizado contrastivo ou predição mascarada — e, em seguida, as representações aprendidas congeladas são classificadas com um modelo de regressão logística padrão treinado em um pequeno conjunto de dados rotulados. Este protocolo de avaliação linear é amplamente utilizado para avaliar a qualidade das representações autossupervisionadas.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/pt/machine-learning/self-supervised-logistic-regression
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.
- Regressão Logística (ML)Aprendizado de máquina↔ compare
- Árvore de Decisão Auto-supervisionadaAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Regressão Logística SemissupervisionadaAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →