LightGBM auto-supervizat
LightGBM auto-supervizat combină paradigma învățării auto-supervizate cu framework-ul de gradient boosting LightGBM pentru a exploata volume mari de date tabulare nelabelizate. O sarcină pretext auto-supervizată — cum ar fi predicția caracteristicilor mascate sau corupția contrastivă — generează reprezentări bogate ale caracteristicilor sau pseudo-etichete care sunt apoi utilizate pentru a antrena sau a ajusta fin un model LightGBM, îmbunătățind substanțial performanța în regimuri cu puține etichete.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/ro/machine-learning/self-supervised-lightgbm
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.
- Gradient BoostingÎnvățare automată↔ compare
- LightGBMÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- LightGBM semi-supervizatÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →