Machine learningMachine learning

Συνεργατική Ενεργή Μάθηση

Η Συνεργατική Ενεργή Μάθηση συνδυάζει μια επιτροπή ποικίλων μοντέλων με έναν βρόχο ενεργής μάθησης για την επιλογή των πιο πληροφοριακών μη επισημασμένων παραδειγμάτων προς επισήμανση. Βασισμένη στο πλαίσιο Query by Committee που εισήχθη από τους Seung et al. (1992), χρησιμοποιεί τη διαφωνία μεταξύ των μελών της επιτροπής ως σήμα αβεβαιότητας, μειώνοντας τον αριθμό των επισημασμένων παραδειγμάτων που απαιτούνται για την επίτευξη ισχυρής προβλεπτικής απόδοσης.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Seung, H. S., Opper, M., & Sompolinsky, H. (1992). Query by committee. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (COLT 1992), pp. 287–294. ACM. link
  2. Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Ensemble-Based Active Learning (Query by Committee and Variants). ScholarGate. https://scholargate.app/el/machine-learning/ensemble-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.

Compare side by side
ScholarGateEnsemble Active Learning (Ensemble-Based Active Learning (Query by Committee and Variants)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/ensemble-active-learning · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026