Ενεργή Μάθηση με Γκαουσιανή Διαδικασία
Η Ενεργή Μάθηση με Γκαουσιανή Διαδικασία (GP-AL) συνδυάζει ένα πιθανοτικό μοντέλο Γκαουσιανής Διαδικασίας με μια στρατηγική ερωτήματος ενεργής μάθησης, χρησιμοποιώντας την αβεβαιότητα της οπίσθιας κατανομής (posterior uncertainty) της GP για να επιλέξει τα πιο πληροφοριακά μη επισημασμένα παραδείγματα προς επισήμανση. Αυτή η επαναληπτική προσέγγιση ελαχιστοποιεί την προσπάθεια επισήμανσης μεγιστοποιώντας την προβλεπτική ακρίβεια, καθιστώντας την ιδανική όταν τα επισημασμένα δεδομένα είναι σπάνια ή δαπανηρά προς απόκτηση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/el/machine-learning/active-learning-gaussian-process
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.
- Ενεργή ΜάθησηΜηχανική Μάθηση↔ compare
- Γκαουσιανή Διαδικασία Bayes (GP)Μηχανική Μάθηση↔ compare
- Διαδικασία ΓκάουςΜηχανική Μάθηση↔ compare
- Επιβλεπόμενη διαδικασία Gaussian (Semi-supervised Gaussian Process)Μηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →