自己教師あり学習は データ自身から 疑似ラベルを自動生成 自己教師あり学習は 教師なしの枠組みで 教師ありの仕組みを借用 教師あり学習は 正解ラベルが必要 教師なし学習は クラスタリング 次元削減 半教師あり学習は 少量のラベルありデータと 大量のラベルなしデータを併用 オートエンコーダは 入力を再構成するよう 学習する古典例 学習の流れは プレテキストタスクの後に 下流タスクで微調整 プレテキストタスクは 事前学習で解く疑似的な問題 画像の穴埋めや 並び替えや回転角度予測 下流タスクは微調整して 解く本来の目的のタスク コントラスティブ学習は 対照学習とも呼ばれる手法 データ拡張で作った 正例を近づけ負例を遠ざける 崩壊はすべての入力に対して モデルが同じ出力を返す現象 崩壊は負例なし学習の 最大の課題 自己教師あり学習は 正解ラベル不要 ラベルなしデータから 疑似ラベルを自動生成
