Machine learningMachine learning
アクティブラーニングブースティング
アクティブラーニングブースティングは、アクティブラーニングのクエリ駆動型ラベル獲得と、AdaBoostのようなブースティングアルゴリズムの重み付きアンサンブルロジックを組み合わせた手法です。このモデルは、ブースティングアンサンブル内の不一致または不確実性によって導かれ、最も情報量の多い未ラベルの事例を反復的に選択してアノテーションし、新しいラベルが追加されるたびに再学習を行います。これにより、パッシブラーニングよりもはるかに少ないラベル付き事例で高い精度を達成します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/ja/machine-learning/active-learning-boosting
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 →