Samoučenje sa prenosom znanja
Samoučenje sa prenosom znanja kombinuje dva moćna pristupa: model prvo uči bogate reprezentacije iz podataka bez oznaka korišćenjem samoučenih zadataka (pretekst zadaci), a zatim se te naučene reprezentacije prenose i doteruju (fine-tuning) na ciljnom zadatku sa ograničenim brojem podataka sa oznakama. Ovaj pristup je osnova za ključne sisteme kao što su BERT u obradi prirodnog jezika i SimCLR i DINO u kompjuterskom vidu, dramatično smanjujući potrebu za podacima sa oznakama u mnogim domenima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/sr/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.
- Učenje sa malo primera (Few-shot Learning)Mašinsko učenje↔ compare
- Učenje metrikeMašinsko učenje↔ compare
- Samonadgledano učenje sa malo primeraMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →