自监督学习是人工智能领域的一个重要研究方向，它允许模型在没有标注数据的情况下进行学习和优化。以下是一些关于自监督学习的论文概览。

论文列表

  1. 《Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles》

    • 作者：Mehdi Noroozi 和 Paolo Favaro
    • 简介：这篇论文提出了一种通过解决拼图游戏来自监督地学习视觉表示的方法。

  2. 《Learning Deep Representations by Maximizing Mutual Information Across Views》

    • 作者：Maximilian Huber, Jakob Uszkoreit 和 Fabian Sinz
    • 简介：该论文介绍了一种最大化跨视图互信息的方法，以学习深度表示。

  3. 《A Simple Framework for Contrastive Learning of Visual Representations》

    • 作者：Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke 和 Andrew Rabinovich
    • 简介：这篇论文提出了一种简单而有效的对比学习方法，用于视觉表示的学习。

  4. 《Instance Discrimination for Unsupervised Visual Representation Learning》

    • 作者：Jie Zhou, Honggang Zhang, Xiaohui Wang, Shuicheng Yan 和 Wensheng Zhang
    • 简介：该论文探讨了实例判别在无监督视觉表示学习中的应用。

  5. 《Self-Supervised Learning of Visual Representations Using Unlabeled Natural Images》

    • 作者：Yaroslav Ganin, Evgeniya Ustinova, Hana Ajakan, Pascal Germain, Volodymyr Gringoliuk, Maria Huryn, David D. Gidaris, Christos Socher 和 Alexander C. Courville
    • 简介：这篇论文研究了如何利用未标记的自然图像来自监督地学习视觉表示。

扩展阅读

想了解更多关于自监督学习的内容，可以阅读以下文章：

相关图片

Self_Supervised_Learning