Öz-denetimli Boosting
Self-supervised Boosting (SSL-Boosting) · Ayrıca şöyle bilinir: SSL boosting, self-supervised ensemble boosting, pretext-task boosting, SSL-Boost
Öz-denetimli boosting, büyük etiketlenmemiş veri havuzlarından yararlanmak üzere, öz-denetimli öncül görevleri (pretext task) boosting çerçevesine entegre eder – bu, AdaBoost, gradyan boosting ve bunların modern varyantlarını kapsar. Öncelikle etiketlenmemiş örneklerden özellik temsilleri öğrenerek ve ardından sözde etiketlenmiş veriler üzerinde sıralı zayıf öğrenici toplulukları çalıştırarak, gerçek etiketlerin kıt olduğu durumlarda bile rekabetçi bir doğruluk elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Öz-denetimli boosting, az sayıda etiketlenmiş kümeniz ve daha büyük bir etiketlenmemiş örnek havuzunuz olduğunda ve aksi takdirde tablo tahmini için boosting algoritmasını tercih edeceğiniz durumlarda doğru seçimdir. Özellikle etiketlemenin pahalı olduğu – klinik çalışmalar, endüstriyel denetim, bilimsel deneyler – ve etiketlenmemiş verilerin etiketlenmiş küme ile aynı özellik dağılımını paylaştığı alanlarda değerlidir. Yeterince büyük etiketlenmiş bir veri kümeniz olduğunda (standart boosting yeterlidir ve ek karmaşıklıktan kaçınır), etiketlenmemiş veriler farklı bir dağılımdan geldiğinde (kovaryant kayması sözde etiketleri bozar) veya bireysel ağaçların yorumlanabilirliği en önemli olduğunda (öz-denetimli aşama opaklık ekler) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Büyük bir etiketlenmemiş veri havuzunu boosting için etkili bir eğitim sinyaline dönüştürür, pahalı etiketlemelere olan bağımlılığı azaltır.
- Modern boosting çerçevelerinin (XGBoost, LightGBM, CatBoost) tablo verileri üzerindeki yüksek doğruluğunu ve sağlamlığını miras alır.
- Öncül görev ön-eğitimi, yalnızca küçük etiketlenmiş kümeler üzerinde boosting çalıştırmaktan daha iyi başlangıç özellik temsilleri sağlar.
- Güvenlik tabanlı sözde etiket filtreleme, gürültü enjeksiyonunu sınırlar ve yinelemeli iyileştirmeyi stabilize eder.
- Tüm boosting algoritması ailesine uygulanabilir, bu da onu kullanım durumlarına göre esnek hale getirir.
- Standart boosting'e göre daha karmaşık bir işlem hattı – öncül görev tasarımı, güvenlik eşikleme ve yinelemeli yeniden eğitim gerektirir.
- Etiketlenmemiş havuz küçük olduğunda veya dağılımı etiketlenmiş kümeden saptığında standart boosting'e göre performans artışları azalır.
- Yinelemeli öz-eğitim döngüleri, tek bir boosting çalıştırmasına kıyasla hesaplama maliyetini artırır.
- Sözde etiket gürültüsü, eşikler kötü kalibre edilirse birikebilir ve nihai model kalitesini düşürebilir.
SSS
Temel öğrenici olarak hangi boosting algoritması en iyisidir?
LightGBM genellikle yinelemeli öz-eğitim döngüleri için hız açısından tercih edilir. XGBoost güçlü bir temel doğruluk ve geniş topluluk desteği sağlar. CatBoost, özellikle öncül görev kategorik sütunların yeniden yapılandırılmasını içeriyorsa, veri kümesinde çok sayıda kategorik özellik olduğunda avantajlıdır.
Tablo verileri için öncül görev nasıl seçilmelidir?
Özellik maskeleme – sütunların bir kısmını rastgele sıfırlayıp modeli bunları yeniden yapılandırmaya eğitmek – tablo verileri için en yaygın test edilen öncül görevdir ve alan özel tasarım gerektirmez. Sütunlar arası bağımlılıkları doğal olarak yakalar. Zıtlaştırmalı görevler geçerlidir ancak dikkatli artırma stratejileri gerektirir.
Kaç öz-eğitim yinelemesi yeterlidir?
Çoğu kurulum 3-5 yineleme içinde yakınsar. Her turdan sonra tutulan doğrulama performansını izleyin ve kazanç küçük bir eşiğin (örneğin AUC'de 0.001) altına düştüğünde durun. Yakınsamanın ötesinde çalıştırmak, birikmiş sözde etiket gürültüsüne uyum sağlama riskini taşır.
Sözde etiketler için hangi güvenlik eşiği kullanılmalıdır?
Çoğunluk sınıf olasılığı için 0.85-0.95 eşiği yaygın bir başlangıç noktasıdır. Optimal değer sınıf dengesizliğine ve veri kümesi boyutuna bağlıdır; bunu bir doğrulama katında ayarlayın. Daha yüksek eşikler lehine hata yapmak daha güvenlidir – daha az ama daha temiz sözde etiketler üretir.
Yeterli etiketim olduğunda öz-denetimli boosting standart boosting'den daha iyi performans gösterir mi?
Güvenilir bir şekilde değil. Standart boosting'in iyi performans göstermesi için yeterince büyük etiketlenmiş küme olduğunda, öz-denetimli aşama anlamlı doğruluk artışları olmadan hesaplama ekler. Bu yaklaşımı, performans farkının önemli olduğu gerçek anlamda düşük etiketli ortamlar için saklayın.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised Boosting (SSL-Boosting). ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-boosting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif Öğrenme GüçlendirmeMakine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Öz-denetimli Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli BoostingMakine öğrenmesi↔ karşılaştır