Machine learningMachine learning
활성 학습 가우시안 프로세스
활성 학습 가우시안 프로세스(GP-AL)는 가우시안 프로세스 확률 모델과 활성 학습 쿼리 전략을 결합하여, GP의 사후 불확실성을 사용하여 가장 정보가 많은 레이블 없는 예제를 선택하여 레이블링합니다. 이 반복적인 접근 방식은 레이블링 노력을 최소화하면서 예측 정확도를 최대화하여, 레이블링된 데이터가 부족하거나 얻기 어려울 때 이상적입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/ko/machine-learning/active-learning-gaussian-process
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 →