Online Active Learning
Online active learning kombinerer to komplementære paradigmer: det behandler data som en strøm (online learning) og anmoder selektivt om labels kun for de mest informative instanser (active learning). Resultatet er en model, der kontinuerligt tilpasser sig nye data, mens omkostningerne til labeling holdes lave — nyttigt, når labeled data er dyrt, og eksempler ankommer sekventielt i stedet for alle på én gang.
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
- Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230. link ↗
- Sculley, D. (2007). Online active learning methods for fast label-efficient spam filtering. Proceedings of the Fourth Conference on Email and Anti-Spam (CEAS 2007). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Online Active Learning (Streaming Active Learning). ScholarGate. https://scholargate.app/da/machine-learning/online-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.
- Aktiv læringMaskinlæring↔ compare
- Few-shot LearningMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Online logistisk regressionMaskinlæring↔ compare
- Online Random ForestMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →