Machine learningMachine learning

Învățare autosupervizată online

Învățarea autosupervizată online (online SSL) antrenează rețele neuronale pe date neetichetate care sosesc secvențial sau sub formă de fluxuri, utilizând semnale de supervizare generate automat (sarcini pretext) în loc de etichete umane. Prin actualizarea continuă a modelului pe măsură ce sosesc date noi, aceasta permite evoluția perpetuă a reprezentărilor fără a stoca întregul set de date — un aspect critic pentru sistemele în timp real, dispozitivele edge și mediile cu restricții de confidențialitate.

Deschide în MethodMindÎn curândVideoÎn curândDownload slides

Citește metoda completă

Doar pentru membri

Autentifică-te cu un cont gratuit pentru a citi această secțiune.

Autentificare

Method map

The neighbourhood of related methods — select a node to explore.

Surse

  1. Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2021). OBoW: Online Bag-of-Visual-Words Generation for Self-Supervised Learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 6830–6840. link
  2. Fini, E., Da Costa, V. G. T., Alameda-Pineda, X., Ricci, E., Alahari, K., & Mairal, J. (2022). Self-Supervised Models are Continual Learners. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 9621–9630. link

Cum se citează această pagină

ScholarGate. (2026, June 3). Online Self-supervised Learning (Continual Self-supervised Representation Learning from Streaming Data). ScholarGate. https://scholargate.app/ro/machine-learning/online-self-supervised-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.

Compare side by side
ScholarGateOnline Self-supervised Learning (Online Self-supervised Learning (Continual Self-supervised Representation Learning from Streaming Data)). Preluat la 2026-06-15 de pe https://scholargate.app/ro/machine-learning/online-self-supervised-learning · Set de date: https://doi.org/10.5281/zenodo.20539026