LightGBM แบบเรียนรู้ด้วยตนเอง
LightGBM แบบเรียนรู้ด้วยตนเอง (Self-supervised LightGBM) ผสมผสานกระบวนทัศน์การเรียนรู้ด้วยตนเองเข้ากับกรอบการทำงานการเพิ่มประสิทธิภาพการไล่ระดับสี (gradient boosting) ของ LightGBM เพื่อใช้ประโยชน์จากข้อมูลตารางที่ไม่มีป้ายกำกับจำนวนมาก งานพรีเท็กซ์ (pretext task) แบบเรียนรู้ด้วยตนเอง เช่น การทำนายคุณลักษณะที่ถูกปิดบัง (masked feature prediction) หรือการเปรียบเทียบความเสียหาย (contrastive corruption) จะสร้างการนำเสนอคุณลักษณะที่หลากหลายหรือป้ายกำกับเทียม (pseudo-labels) ซึ่งจะนำไปใช้ในการฝึกอบรมหรือปรับแต่งโมเดล LightGBM ซึ่งช่วยปรับปรุงประสิทธิภาพอย่างมากในสภาวะที่มีป้ายกำกับน้อย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/th/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.
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- LightGBM แบบกึ่งมีผู้สอนการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare