Självövervakad LightGBM
Självövervakad LightGBM kombinerar paradigmet för självövervakad inlärning med ramverket för LightGBM gradient boosting för att utnyttja stora mängder oetiketterad tabulär data. En självövervakad förtextuppgift – såsom prediktion av maskerade drag eller kontrastiv korruption – genererar rika dragrepresentationer eller pseudomärkningar som sedan används för att träna eller finjustera en LightGBM-modell, vilket avsevärt förbättrar prestandan i scenarier med brist på etiketter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/sv/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 BoostingMaskininlärning↔ compare
- LightGBMMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad LightGBMMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →