Självövervakad slumpmässig skog
Självövervakad slumpmässig skog (SSL-RF) utökar den klassiska slumpmässiga skogen till scenarier där märkta exempel är knappa. Skogen tränas först med automatiskt genererade pseudomärkningar härledda från en självövervakad förtextuppgift — såsom att förutsäga datatransformationer eller maskerade drag — och förfinas sedan på de verkliga märkningar som finns tillgängliga, vilket kombinerar etikett-effektiviteten hos självövervakad inlärning med robustheten hos ensembleträd.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/sv/machine-learning/self-supervised-random-forest
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.
- BeslutsträdMaskininlärning↔ compare
- EtikettpropageringMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →