Aktiv læring med selvovervåget læring
Aktiv læring kombineret med selvovervåget læring udnytter uannoterede data gennem selvovervåget fortræning til at opbygge rige repræsentationer og bruger derefter en aktiv forespørgselsstrategi til at udvælge de mest informative eksempler til menneskelig annotering, hvilket maksimerer modelpræstationen under et stramt annoteringsbudget. Denne hybride tilgang er særligt effektiv, når annoterede data er knappe, men store puljer af uannoterede data eksisterer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/da/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.
- Aktiv læringMaskinlæring↔ compare
- Few-shot LearningMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →