Pembelajaran Aktif Kendiri-Penyeliaan
Pembelajaran Aktif Kendiri-Penyeliaan (SSL-AL) ialah paradigma pembelajaran mesin yang cekap label yang melakukan pra-latihan model pada data tanpa label menggunakan objektif kendiri-penyeliaan, kemudian secara strategik menyoal sumber maklumat manusia untuk label yang paling bermaklumat menggunakan fungsi pemerolehan pembelajaran aktif. Hasilnya ialah prestasi ramalan yang kukuh dengan sebahagian kecil kos anotasi yang diperlukan oleh pendekatan penyeliaan penuh.
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., 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Active Learning (SSL-AL hybrid label-efficient framework). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Label PropagationPembelajaran 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 →