Aprendizagem por Transferência Auto-supervisionada
A aprendizagem por transferência auto-supervisionada combina dois paradigmas poderosos: um modelo primeiro aprende representações ricas a partir de dados não rotulados usando tarefas pretextuais auto-supervisionadas, e então essas representações aprendidas são transferidas e ajustadas finamente em uma tarefa downstream com dados rotulados limitados. Essa abordagem fundamenta sistemas de referência como BERT em PNL e SimCLR e DINO em visão computacional, reduzindo drasticamente os requisitos de dados rotulados em muitos domínios.
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. 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/pt/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.
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizado de MétricaAprendizado de máquina↔ compare
- Aprendizagem por Poucas Amostras Auto-supervisionadaAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →