Aktivní učení s vlastní dohledovou učení
Aktivní učení v kombinaci s vlastní dohledovou učení využívá neoznačená data prostřednictvím předtrénování s vlastní dohledovou učení k budování bohatých reprezentací, poté používá strategii aktivního dotazování k výběru nejinformativnějších příkladů pro lidské anotace, čímž maximalizuje výkon modelu při omezeném rozpočtu na označování. Tento hybridní přístup je obzvláště silný, když jsou označená data vzácná, ale existují velké neoznačené fondy.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Bengar, J. Z., van de Weijer, J., Fuentes, L. L., & Raducanu, B. (2022). Class-Balanced Active Learning for Image Classification. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 3082–3091. link ↗
- Wang, K., Zhang, D., Li, Y., Zhang, R., & Lin, L. (2016). Cost-Effective Active Learning for Deep Image Classification. IEEE Transactions on Circuits and Systems for Video Technology, 27(12), 2591–2600. DOI: 10.1109/TCSVT.2016.2589879 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/cs/machine-learning/active-learning-self-supervised-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.
- Aktivní učeníStrojové učení↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Online LearningStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →