Machine learningMachine learning
アクティブラーニング・ガウシアンプロセス
アクティブラーニング・ガウシアンプロセス（GP-AL）は、ガウシアンプロセス確率モデルとアクティブラーニングのクエリ戦略を組み合わせたもので、GPの後部不確実性を用いて最も情報量の多いラベルなしサンプルを選択してラベル付けを行います。この反復的なアプローチは、ラベル付けの労力を最小限に抑えつつ予測精度を最大化するため、ラベル付きデータが乏しい、または取得コストが高い場合に理想的です。
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。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/ja/machine-learning/active-learning-gaussian-process
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- アクティブラーニング機械学習↔ 比較
- ベイジアン・ガウス過程機械学習↔ 比較
- ガウス過程機械学習↔ 比較
- 半教師ありガウス過程機械学習↔ 比較