Aktives Lernen mit selbstüberwachtem Lernen
Aktives Lernen kombiniert mit selbstüberwachtem Lernen nutzt unbeschriftete Daten durch selbstüberwachtes Vortraining, um reichhaltige Repräsentationen aufzubauen, und verwendet dann eine aktive Abfragestrategie, um die informativsten Beispiele für menschliche Annotation auszuwählen und so die Modellleistung unter einem knappen Beschriftungsbudget zu maximieren. Dieser hybride Ansatz ist besonders leistungsfähig, wenn beschriftete Daten knapp sind, aber große unbeschriftete Pools existieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/de/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.
- Aktives LernenMaschinelles Lernen↔ compare
- Few-Shot LearningMaschinelles Lernen↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →