למידה פעילה עם למידה מונחית-עצמית
למידה פעילה בשילוב למידה מונחית-עצמית ממנפת נתונים לא מתויגים באמצעות אימון מקדים מונחה-עצמית לבניית ייצוגים עשירים, ואז משתמשת באסטרטגיית שאילתה פעילה לבחירת הדוגמאות האינפורמטיביות ביותר לתיוג אנושי, תוך מקסום ביצועי המודל תחת תקציב תיוג מוגבל. גישה היברידית זו חזקה במיוחד כאשר נתונים מתויגים נדירים אך קיימים מאגרי נתונים לא מתויגים גדולים.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/he/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.
- למידה פעילהלמידת מכונה↔ compare
- למידת מעט דוגמאותלמידת מכונה↔ compare
- למידה מקוונתלמידת מכונה↔ compare
- למידה בפיקוח עצמילמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare