Actief Leren met Zelf-gesuperviseerd Leren
Actief leren gecombineerd met zelf-gesuperviseerd leren benut ongelabelde data via zelf-gesuperviseerde pre-training om rijke representaties op te bouwen, en gebruikt vervolgens een actieve querystrategie om de meest informatieve voorbeelden te selecteren voor menselijke annotatie, waardoor de modelprestaties gemaximaliseerd worden onder een beperkt labelbudget. Deze hybride aanpak is bijzonder krachtig wanneer gelabelde data schaars is, maar er grote onbewerkte datasets beschikbaar zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/nl/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.
- Actief LerenMachine learning↔ compare
- Few-shot LearningMachine learning↔ compare
- Online LerenMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →