Aktiivinen oppiminen ja itseohjautuva oppiminen
Aktiivinen oppiminen yhdistettynä itseohjautuvaan oppimiseen hyödyntää merkitsemätöntä dataa itseohjautuvan esikoulutuksen avulla rikkaiden representaatioiden rakentamiseksi. Tämän jälkeen käytetään aktiivista kyselystrategiaa valitsemaan informatiivisimmat esimerkit ihmisen annotointia varten, maksimoiden mallin suorituskyvyn tiukalla merkintäbudjetilla. Tämä hybridimenetelmä on erityisen tehokas, kun merkittyä dataa on vähän, mutta suuria merkitsemättömiä aineistoja on saatavilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Bengar, J. Z., van de Weijer, J., Fuentes, L. L., & Raducanu, B. (2022). Class-Balanced Active Learning for Image Classification. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 3082–3091. link ↗
- Wang, K., Zhang, D., Li, Y., Zhang, R., & Lin, L. (2016). Cost-Effective Active Learning for Deep Image Classification. IEEE Transactions on Circuits and Systems for Video Technology, 27(12), 2591–2600. DOI: 10.1109/TCSVT.2016.2589879 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/fi/machine-learning/active-learning-self-supervised-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.
- Aktiivinen oppiminenKoneoppiminen↔ compare
- Few-shot LearningKoneoppiminen↔ compare
- Online-oppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →