0


全监督,自监督,半监督,弱监督,无监督的关系和区别

  1. 全监督学习(supervised learning) 训练数据都有完整和准确的标签,模型通过学习输入数据和标签之间的映射关系来完成特定的任务,例如分类、回归等。全监督学习需要大量的人工标注,但是可以获得较高的性能。
  2. 无监督学习(unsupervised learning) 训练数据没有任何标签,模型通过学习数据本身的分布或结构来发现一些隐含的模式或特征,例如聚类、降维等。无监督学习不需要人工标注,但是难以评估效果和应用于具体任务。
  3. 半监督学习(semi-supervised learning) 训练数据既有一部分有标签的数据,也有一部分没有标签的数据,模型通过结合两种数据来提高学习性能,例如利用有标签数据训练一个教师模型,然后用教师模型给无标签数据生成伪标签,再用伪标签训练一个学生模型。半监督学习可以降低人工标注成本,同时利用大量的无标签数据。
  4. 弱监督学习(weakly supervised learning) 训练数据有一些不完整、不确切或不准确的标签,模型通过学习这些低质量的标签来完成一个更困难的任务,例如利用图片级别的分类标签来做目标检测或分割。弱监督学习可以克服标注难度高或噪声大的问题,提高模型泛化能力。
  5. 自监督学习(self-supervised learning) 训练数据没有外部给定的标签,但是模型可以通过一些辅助任务(pretext)来自动生成一些内部的标签,然后用这些内部标签来训练模型,从而学习到数据的内在表示(representation),再用这些表示来做下游任务(downstream),例如在图像上做旋转预测或遮挡恢复等辅助任务,然后用得到的特征向量来做分类或检测等下游任务。自监督学习可以从无标签数据中挖掘有用的信息,提高模型表征能力。

本文转载自: https://blog.csdn.net/qq_40721108/article/details/129798441
版权归原作者 钰宸y 所有, 如有侵权,请联系我们删除。

“全监督,自监督,半监督,弱监督,无监督的关系和区别”的评论:

还没有评论