자료량만으로 설명되지 않는 성능
정제된 자료에서 성공한 자기 지도 학습을 다른 영상 모음으로 옮길 때 같은 결과가 보장되지는 않는다. 연구는 네 가지 다양한 대규모 자료를 이용해 어떤 조건이 중요한지 살핀다.
도메인과 자료 품질
관측한 설정에서는 다른 도메인 자료를 추가하는 일이 더 일반적인 표현을 보장하지 않았고, 손상 자료가 지도 및 자기 지도 사전 학습에 미치는 영향도 달랐다. 이는 시험 조건의 관찰이며 모든 자료 혼합에 대한 금지 규칙은 아니다.
세분 과제의 어려움
자료를 더 늘릴 때 이득의 변화와 세밀한 시각 분류에서 대조 학습이 지도 학습보다 뒤처지는 문제를 분석한다. 큰 범주 분류의 성능만으로 가까운 하위 범주의 구별 능력을 판단하기 어렵다.
과제 세분성의 독립 예
설명용으로 새와 자동차를 가르는 표현이 비슷한 두 새 종도 잘 가른다고 볼 수는 없다. 유용한 차이의 규모가 달라지므로 후속 과제의 세분성을 확인해야 한다. 실제 연구 자료를 옮기지 않은 평가의 예다.
관련 문서
SEER / InfoMin 뷰 선택 / 대조 학습 / 자기 지도 학습 / NNCLR / SCAN 이미지 군집