Bayesian Active Learning
Bayesian Active Learning (BAL) kombiniert ein probabilistisches Modell mit einer aktiven Abfragestrategie, um die unbeschrifteten Beispiele zu identifizieren, deren Beschriftung die Modellunsicherheit am stärksten reduzieren würde. Anstatt Daten zufällig zu beschriften, leitet BAL einen Orakel – typischerweise einen menschlichen Annotator – zu den Punkten, an denen die Beschriftung den größten Informationsgewinn bringt, was sie sehr beschriftungseffizient macht.
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
- Houlsby, N., Huszár, F., Ghahramani, Z., & Lengyel, M. (2011). Bayesian Active Learning for Classification and Preference Learning. arXiv preprint arXiv:1112.5745. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Active Learning (Query-by-Committee and BALD). ScholarGate. https://scholargate.app/de/machine-learning/bayesian-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.
- Aktives LernenMaschinelles Lernen↔ compare
- Bayesian Logistic RegressionBayes-Statistik↔ compare
- Bayesian OptimizationOptimierung↔ compare
- Few-Shot LearningMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →