Random Forest Auto-supervisionado
Random Forest Auto-supervisionado (SSL-RF) estende a floresta aleatória clássica para cenários onde exemplos rotulados são escassos. A floresta é inicialmente treinada usando pseudo-rótulos gerados automaticamente a partir de uma tarefa pretexto auto-supervisionada — como prever transformações de dados ou características mascaradas — e, em seguida, refinada com os rótulos verdadeiros disponíveis, combinando a eficiência de rótulos do aprendizado auto-supervisionado com a robustez das árvores de ensemble.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/pt/machine-learning/self-supervised-random-forest
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.
- Árvore de DecisãoAprendizado de máquina↔ compare
- Propagação de RótulosAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →