Self-supervised Logistic Regression
Self-supervised logistic regression is a two-stage pipeline in which a neural encoder is first trained on abundant unlabeled data through a self-supervised pretext task — such as contrastive learning or masked prediction — and then the frozen learned representations are classified with a standard logistic regression model trained on a small labeled dataset. This linear evaluation protocol is widely used to benchmark the quality of self-supervised representations.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.