Modèle de Mélange Gaussien avec Apprentissage Actif
Le Modèle de Mélange Gaussien avec Apprentissage Actif combine une stratégie de requête itérative avec un apprenant basé sur un Modèle de Mélange Gaussien. L'algorithme sélectionne les points non étiquetés les plus informatifs — typiquement ceux présentant la plus grande incertitude prédictive — les présente à un oracle pour étiquetage, et réajuste le GMM en utilisant l'EM sur l'ensemble étiqueté croissant. Le résultat est un modèle de densité qui atteint la qualité des données complètes tout en nécessitant beaucoup moins d'exemples étiquetés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/fr/machine-learning/active-learning-gaussian-mixture-model
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.
- Apprentissage Actif par Processus GaussienApprentissage automatique↔ compare
- Modèle Bayésien de Mélange GaussienApprentissage automatique↔ compare
- Modèle gaussien de mélange semi-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →