Öz-denetimli Gradyan Artırma
Self-supervised Gradient Boosting (SSL-GBM) · Ayrıca şöyle bilinir: SSL gradient boosting, self-supervised boosting, semi-supervised gradient boosting, SSL-GBM
Öz-denetimli gradyan artırma, etiketlenmemiş verilerden yararlanmak üzere öz-denetimli öncül görevleri (pretext tasks) dahil ederek klasik gradyan artırma çerçevesini genişletir. Model, önce etiketlenmemiş örneklerden faydalı özellik temsilleri öğrenir, ardından bu temsilleri zayıf öğrenicilerin sıralı topluluğunu yönlendirmek için kullanır ve etiketlenmiş örnekler az olduğunda bile güçlü tahmin performansı 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
Etiketlenmiş verinin sınırlı olduğu ancak daha büyük bir etiketlenmemiş örnek havuzunun mevcut olduğu tablo tahmin görevleri için en uygunudur; bu, etiketlemenin pahalı olduğu tıbbi, endüstriyel veya bilimsel veri kümelerinde yaygın bir durumdur. Normalde gradyan artırmanın tercih edileceği ancak etiket kümesinin yeterli performansı elde etmek için çok küçük olduğu durumlarda kullanılır. Tüm verilerin tam olarak etiketlendiği (standart gradyan artırma yeterlidir), özellik kümesinin çok küçük olduğu veya etiketlenmemiş verilerin etiketlenmiş kümeden farklı bir dağılıma sahip olduğu (kovaryat kayması sözde etiketleri yanıltacaktır) durumlarda kaçınılmalıdır.
Güçlü yönler & sınırlılıklar
- Etiketlenmiş örneklerin az olduğu durumlarda doğruluğu artırmak için etiketlenmemiş verilerden yararlanır.
- Kanıtlanmış gradyan artırma çerçevesi üzerine inşa edilir, tablo verilerinde verimliliğini ve sağlamlığını miras alır.
- Öz-denetimli öncül görevler, manuel etiketleme gerektirmeden prensipli özellik temsilleri sağlar.
- Sözde etiket güven filtresi, kötü etiketlerin eğitime yayılma riskini azaltır.
- Orta düzeyde modifikasyonla büyük gradyan artırma kütüphaneleriyle (XGBoost, LightGBM, CatBoost) uyumludur.
- Standart gradyan artırmadan daha karmaşık bir işlem hattı; öncül görevin ve sözde etiket eşiğinin dikkatli tasarımını gerektirir.
- Etiketlenmemiş havuz küçük olduğunda veya dağılımı etiketlenmiş kümeden farklı olduğunda performans artışları azalır.
- Yinelemeli iyileştirme, eğitim süresini ve hesaplama maliyetini artırır.
- Güven eşikleri yanlış seçilirse, sözde etiket gürültüsü yinelemeler boyunca birikebilir.
SSS
Tablo verileri için öncül görevi nasıl seçerim?
Özellik maskeleme — sütun değerlerinin bir alt kümesini rastgele gizleyip modelin bunları yeniden yapılandırmasını eğitmek — tablo verileri için en yaygın kullanılan ve en iyi incelenen öncül görevdir. Doğal olarak sütun korelasyonlarını yakalar ve alan bilgisi gerektirmez. Zıt yaklaşımlar (bir satırın iki artırılmış görünümünü oluşturma) da geçerlidir ancak dikkatli artırma tasarımı gerektirir.
Sözde etiketler için hangi güven eşiğini kullanmalıyım?
Yaygın bir başlangıç noktası, tahmin edilen olasılığın çoğunluk sınıfı için 0.9'u aştığı sözde etiketleri dahil etmektir. Ancak, optimal eşik sınıf dengesine ve veri kümesi boyutuna bağlıdır; bir doğrulama katında ayarlanması önerilir.
Tipik olarak kaç iyileştirme yinelemesi gereklidir?
Çoğu pratik uygulama 3-5 yineleme içinde yakınsar. Her turdan sonra tutulan doğrulama performansını izleyin ve iyileştirmeler küçük bir eşiğin (örneğin, AUC'de 0.001) altına düştüğünde durun.
Bol miktarda etiketlenmiş veriye sahip olduğumda standart gradyan artırmanın yerini mi alıyor?
Hayır. Standart gradyan artırmanın zaten iyi performans gösterdiği kadar büyük bir etiketlenmiş veri kümesi olduğunda, ek öz-denetimli aşama anlamlı bir fayda olmaksızın karmaşıklık katar. Yöntemin avantajı özellikle düşük etiketli rejimlerdedir.
Bu yaklaşımla hangi gradyan artırma kütüphanesi en iyi şekilde çalışır?
XGBoost, LightGBM ve CatBoost uyumludur. Yinelemeli iyileştirme sırasında hız için genellikle LightGBM tercih edilir; CatBoost, öncül görevin kategorik sütunları yeniden yapılandırması durumunda avantaj sağlayan kategorik özellikleri yerel olarak işler.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised Gradient Boosting (SSL-GBM). ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-gradient-boosting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- LightGBMMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır