网站后期建设,企业门户网站建设论文,公司网站公司哪家好,北京网站设计案例监督学习#xff08;Supervised Learning#xff09;#xff1a;利用大量的标注数据来训练模型#xff0c;模型最终学习到输入与输出标签之间的相关性。半监督学习#xff08;Semi- supervised Learning#xff09;#xff1a;利用少量有标签数据和大量无标签数据来训练…监督学习Supervised Learning利用大量的标注数据来训练模型模型最终学习到输入与输出标签之间的相关性。半监督学习Semi- supervised Learning利用少量有标签数据和大量无标签数据来训练模型。常用做法是先用有标签数据较小规模的训练一个Teacher模型再用这个模型对无标签数据较大规模的预测伪标签作为Student模型的训练数据无监督学习Unsupervised Learning不依赖任何标签值通过对数据内在特征的挖掘找到样本间的关系如聚类、降维。自监督学习Self- supervised Learning利用代理任务pretext task从大规模的无监督数据中挖掘自身的监督信息通过这种构造的监督信息对网络进行训练从而可以学习到对下游任务有价值的表征 如对比学习。弱监督Weakly Supervised Learning可以分为不完全监督Incomplete supervision不确切监督Inexact supervision不精确监督Inaccurate supervision。不完全监督是指训练数据中只有一部分数据被给了标签有一些数据是没有标签的不确切监督是指训练数据只给出了粗粒度标签。我们可以把输入想象成一个包这个包里面有一些示例我们只知道这个包的标签Y或N但是我们不知道每个示例的标签不精确监督是指给出的标签不总是正确的比如本来应该是Y的标签被错误标记成了N。
注其实现在很多论文里对自监督和无监督已经不做区分。
