Robust Active Learning
Robust Active Learning erweitert den Standard-Framework des Active Learning, um verrauschte Labels, adversarielle Perturbationen und unzuverlässige Orakel zu handhaben. Anstatt perfekte Labelung anzunehmen, integriert es statistische oder adversarielle Robustheitsgarantien in den Prozess der Abfrageauswahl, wobei die Stichprobeneffizienz erhalten bleibt, während gleichzeitig Korruptionen im Annotationsprozess toleriert werden.
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
- Balcan, M.-F., Beygelzimer, A., & Langford, J. (2006). Agnostic active learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML 2006), pp. 65–72. ACM. DOI: 10.1145/1143844.1143853 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Active Learning (Noise-Tolerant Query-Based Learning). ScholarGate. https://scholargate.app/de/machine-learning/robust-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
- Few-Shot LearningMaschinelles Lernen↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
- Robuste Support-Vektor-MaschineMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →