Machine learningMachine learning

Εύρωστη Ενεργή Μάθηση

Η Εύρωστη Ενεργή Μάθηση επεκτείνει το τυπικό πλαίσιο της ενεργής μάθησης για να διαχειριστεί θορυβώδεις ετικέτες, εχθρικές διαταραχές και αναξιόπιστους ή αμφίβολους ομιλητές. Αντί να υποθέτει τέλεια επισήμανση, ενσωματώνει στατιστικές ή εχθρικές εγγυήσεις ευρωστίας στη διαδικασία επιλογής ερωτημάτων, διατηρώντας την αποδοτικότητα δειγμάτων, ενώ παράλληλα ανέχεται τη φθορά στη διαδικασία σχολιασμού.

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. 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
  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). Robust Active Learning (Noise-Tolerant Query-Based Learning). ScholarGate. https://scholargate.app/el/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.

Compare side by side
ScholarGateRobust Active Learning (Robust Active Learning (Noise-Tolerant Query-Based Learning)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/robust-active-learning · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026