Samoučené aktivní učení
Samoučené aktivní učení (SSL-AL) je paradigma strojového učení s nízkou náročností na data, které předtrénuje model na neoznačených datech pomocí samoučených cílů, a poté strategicky vyžádá od lidského orákula nejinformativnější popisky pomocí akviziční funkce aktivního učení. Výsledkem je silný prediktivní výkon s zlomkem nákladů na anotaci, které vyžadují plně samoučené přístupy.
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., Twardowski, B., & Raducanu, B. (2021). Reducing Label Effort: Self-Supervised Meets Active Learning. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 1631–1639. link ↗
- Zhan, X., Wang, Q., Huang, K.-H., Xiong, H., Dou, D., & Chan, A. B. (2022). A comparative survey of deep active learning. arXiv preprint arXiv:2203.13450. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Active Learning (SSL-AL hybrid label-efficient framework). ScholarGate. https://scholargate.app/cs/machine-learning/self-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.
- Aktivní učeníStrojové učení↔ compare
- Propagace popiskůStrojové 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 →