การเรียนรู้แบบถ่ายโอนด้วยตนเอง (Self-supervised Transfer Learning)
การเรียนรู้แบบถ่ายโอนด้วยตนเองเป็นการผสมผสานสองแนวคิดที่ทรงพลัง: โมเดลจะเรียนรู้การแทนข้อมูล (representations) ที่สมบูรณ์จากข้อมูลที่ไม่มีป้ายกำกับ (unlabeled data) โดยใช้ภารกิจล่วงหน้า (pretext tasks) แบบกำกับตนเอง (self-supervised) จากนั้น การแทนข้อมูลที่เรียนรู้ได้จะถูกถ่ายโอนและปรับละเอียด (fine-tuned) สำหรับภารกิจปลายทาง (downstream task) ที่มีข้อมูลป้ายกำกับจำกัด แนวทางนี้เป็นพื้นฐานของระบบสำคัญ เช่น BERT ในสาขา NLP และ SimCLR และ DINO ในสาขาวิชทัศนการประมวลผล (computer vision) ซึ่งช่วยลดความต้องการข้อมูลป้ายกำกับลงอย่างมากในหลากหลายสาขา
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Pre-training for Transfer Learning. ScholarGate. https://scholargate.app/th/machine-learning/self-supervised-transfer-learning
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.
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้เมตริกการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับตนเองแบบไม่กี่ตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare