Robust Active Learning
Robust Active Learning paplašina standarta aktīvās mācīšanās sistēmu, lai apstrādātu trokšņainas etiķetes, pretinieku perturbācijas un neuzticamus vai neprecīzus informācijas avotus. Tā vietā, lai pieņemtu perfektu marķēšanu, tā iekļauj statistiskās vai pretinieku robustuma garantijas piemēru izvēles procesā, saglabājot efektivitāti attiecībā uz paraugu skaitu, vienlaikus panesot anotēšanas procesa kļūdas.
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
- Balcan, M.-F., Beygelzimer, A., & Langford, J. (2006). Agnostic active learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML 2006), pp. 65–72. ACM. DOI: 10.1145/1143844.1143853 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Active Learning (Noise-Tolerant Query-Based Learning). ScholarGate. https://scholargate.app/lv/machine-learning/robust-active-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
- Robust Random ForestMašīnmācīšanās↔ compare
- Robustais atbalsta vektoru mašīnas (Robust SVM)Mašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →