Pembelajaran Aktif Separuh Selia
Pembelajaran Aktif Separuh Selia (SSAL) ialah paradigma pembelajaran hibrid yang menggabungkan strategi pertanyaan terpilih pembelajaran aktif dengan keupayaan pembelajaran separuh selia untuk mengeksploitasi data tidak berlabel. Model ini secara berulang memilih contoh tidak berlabel yang paling bermaklumat untuk anotasi pakar sambil secara serentak memanfaatkan kumpulan besar sampel tanpa label untuk meningkatkan perwakilannya sendiri, mengurangkan kos pelabelan secara mendadak sambil mengekalkan ketepatan ramalan yang kukuh.
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
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Active Learning (SSAL). ScholarGate. https://scholargate.app/ms/machine-learning/semi-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 Separa SeliaPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →