Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات
Submitted 11 September, 2024; originally announced September 2024. , Journal ref: Machine Learning and Knowledge Discovery in Databases. Research Track and Demo Track. ECML PKDD 2024 vol 14948
توضیحات به فارسی
ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، مجله Ref: یادگیری ماشین و کشف دانش در پایگاه داده ها.مسیر تحقیق و آهنگ نسخه ی نمایشی.ECML PKDD 2024 جلد 14948
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Self-training methods have proven to be effective in exploiting abundant unlabeled data in semi-supervised learning, particularly when labeled data is scarce. While many of these approaches rely on a cross-entropy loss function (CE), recent advances have shown that the supervised contrastive loss function (SupCon) can be more effective. Additionally, unsupervised contrastive learning approaches have also been shown to capture high quality data representations in the unsupervised setting. To benefit from these advantages in a semi-supervised setting, we propose a general framework to enhance self-training methods, which replaces all instances of CE losses with a unique contrastive loss. By using class prototypes, which are a set of class-wise trainable parameters, we recover the probability distributions of the CE setting and show a theoretical equivalence with it. Our framework, when applied to popular self-training methods, results in significant performance improvements across three different datasets with a limited number of labeled data. Additionally, we demonstrate further improvements in convergence speed, transfer ability, and hyperparameter stability. The code is available at \url{https://github.com/AurelienGauffre/semisupcon/}.
چکیده به فارسی (ترجمه ماشینی)
ثابت شده است که روشهای خودآموزی در بهره برداری از داده های بدون برچسب فراوان در یادگیری نیمه تحت نظارت مؤثر است ، به ویژه هنگامی که داده های دارای برچسب کمیاب هستند.در حالی که بسیاری از این رویکردها به یک عملکرد از دست دادن آنتروپی (CE) متکی هستند ، پیشرفت های اخیر نشان داده است که عملکرد از دست دادن متضاد نظارت شده (SUPCON) می تواند مؤثرتر باشد.علاوه بر این ، رویکردهای یادگیری متضاد بدون نظارت نیز نشان داده شده است که بازنمایی داده های با کیفیت بالا را در تنظیمات بدون نظارت ضبط می کند.برای بهره مندی از این مزایا در یک محیط نیمه تحت نظارت ، ما یک چارچوب کلی برای تقویت روشهای خودآموزی پیشنهاد می کنیم ، که جایگزین تمام موارد ضررهای CE با یک ضرر متضاد بی نظیر می شود.با استفاده از نمونه های اولیه کلاس ، که مجموعه ای از پارامترهای قابل آموزش کلاس است ، ما توزیع احتمال تنظیم CE را بازیابی می کنیم و یک معادل نظری را با آن نشان می دهیم.چارچوب ما ، هنگامی که در روش های خودآموزی محبوب اعمال می شود ، منجر به بهبود عملکرد قابل توجهی در سه مجموعه داده مختلف با تعداد محدودی از داده های دارای برچسب می شود.علاوه بر این ، ما پیشرفت های بیشتری را در سرعت همگرایی ، توانایی انتقال و ثبات هایپرپارامتر نشان می دهیم.کد در \ url {https://github.com/aureliengauffre/semisupcon/} در دسترس است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
