Zelf-gesuperviseerd Actief Leren
Zelf-gesuperviseerd Actief Leren (SSL-AL) is een label-efficiënt machine learning-paradigma dat een model vooraf traint op ongelabelde data met behulp van zelf-gesuperviseerde doelen, en vervolgens strategisch een menselijke 'orakel' bevraagt voor de meest informatieve labels met behulp van een acquisitiefunctie voor actief leren. Het resultaat is een sterke voorspellende prestatie met een fractie van de annotatiekosten die vereist zijn door volledig gesuperviseerde benaderingen.
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., 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Active Learning (SSL-AL hybrid label-efficient framework). ScholarGate. https://scholargate.app/nl/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.
- Actief LerenMachine learning↔ compare
- Label PropagationMachine 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 →