Pembelajaran Aktif dengan Pembelajaran Kendiri-Penyeliaan
Pembelajaran aktif yang digabungkan dengan pembelajaran kendiri-penyeliaan memanfaatkan data tidak berlabel melalui pra-latihan kendiri-penyeliaan untuk membina perwakilan yang kaya, kemudian menggunakan strategi pertanyaan aktif untuk memilih contoh yang paling bermaklumat untuk anotasi manusia, memaksimumkan prestasi model di bawah bajet pelabelan yang ketat. Pendekatan hibrid ini amat berkuasa apabila data berlabel terhad tetapi terdapat banyak data tidak berlabel.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran Dalam TalianPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →