Логистическая регрессия при самообучении
Логистическая регрессия при самообучении — это двухэтапный конвейер, в котором сначала нейронный кодировщик обучается на большом объеме неразмеченных данных посредством самообучающей предварительной задачи (pretext task), такой как контрастное обучение или маскированное предсказание, а затем замороженные полученные представления классифицируются стандартной моделью логистической регрессии, обученной на небольшом размеченном наборе данных. Этот протокол линейной оценки широко используется для оценки качества самообучающихся представлений.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/ru/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.
- Логистическая регрессия (МО)Машинное обучение↔ compare
- Самообучающееся решающее деревоМашинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Логистическая регрессия с частичной разметкойМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →