Полуавтономно активно обучение
Полуавтономното активно обучение (SSAL) е хибридна парадигма на обучение, която комбинира избирателната стратегия за заявки на активното обучение със способността на полуавтономното обучение да използва немаркирани данни. Моделът итеративно избира най-информативните немаркирани екземпляри за експертна анотация, като същевременно използва големия набор от немаркирани образци за подобряване на собствените си представяния, драстично намалявайки разходите за етикетиране, като същевременно поддържа силна предсказваща точност.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Active Learning (SSAL). ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-active-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Активно обучениеМашинно обучение↔ compare
- Label PropagationМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →