Pašuzraudzītā aktīvā mācīšanās
Pašuzraudzītā aktīvā mācīšanās (SSL-AL) ir uz datu etiķetēm efektīva mašīnmācīšanās paradigma, kas iepriekš apmāca modeli, izmantojot neapzīmētus datus un pašuzraudzītus mērķus, pēc tam stratēģiski pieprasa cilvēka orākulam informatīvākās etiķetes, izmantojot aktīvās mācīšanās iegūšanas funkciju. Rezultāts ir spēcīga prognozēšanas veiktspēja ar nelielu daļu no anotācijas izmaksām, ko prasa pilnībā uzraudzītās pieejas.
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., Twardowski, B., & Raducanu, B. (2021). Reducing Label Effort: Self-Supervised Meets Active Learning. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 1631–1639. link ↗
- Zhan, X., Wang, Q., Huang, K.-H., Xiong, H., Dou, D., & Chan, A. B. (2022). A comparative survey of deep active learning. arXiv preprint arXiv:2203.13450. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Active Learning (SSL-AL hybrid label-efficient framework). ScholarGate. https://scholargate.app/lv/machine-learning/self-supervised-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
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →