Aktīvā mācīšanās ar pašuzraudzītu mācīšanos
Aktīvā mācīšanās kopā ar pašuzraudzītu mācīšanos izmanto nenosauktus datus, veicot pašuzraudzītu iepriekšēju apmācību, lai veidotu bagātīgas reprezentācijas, pēc tam izmanto aktīvu vaicājumu stratēģiju, lai atlasītu informatīvākos piemērus cilvēka anotācijai, maksimāli palielinot modeļa veiktspēju ierobežota anotēšanas budžeta ietvaros. Šī hibrīda pieeja ir īpaši spēcīga, ja nosaukti dati ir maz, bet ir pieejami lieli nenosauktu datu kopumi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/lv/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.
- Aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →