เปรียบเทียบวิธี

	การเรียนรู้เชิงเปรียบเทียบสำหรับภาพ (Visual Contrastive Learning)	XGBoost
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020	2016
ผู้ริเริ่ม	Chen, T. et al. (SimCLR); He, K. et al. (MoCo)	Chen, T. & Guestrin, C.
ประเภท	Self-supervised deep representation learning	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Chen, T., Kornblith, S., Norouzi, M. & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. ICML.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	Karşıtlık Öğrenmesi — Görsel (SimCLR / MoCo / BYOL), contrastive learning, self-supervised visual representation learning, SimCLR	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	5	5
สรุป	Visual contrastive learning is a self-supervised deep-learning approach — popularised by frameworks such as SimCLR (Chen et al., 2020) and MoCo (He et al., 2020) — that learns rich image representations without labels by pulling different augmentations of the same image together and pushing different images apart. It turns a large pool of unlabelled images into a useful feature extractor.	XGBoost (Extreme Gradient Boosting) is a scalable tree-boosting algorithm introduced by Tianqi Chen and Carlos Guestrin in 2016. It builds a strong predictor by adding decision trees one at a time, each correcting the errors left by the trees before it, and is a powerful prediction method widely used in competitions.