Semi-supervised Active Learning

Semi-supervised Active Learning (SSAL) is een hybride leerparadigma dat de selectieve querystrategie van active learning combineert met het vermogen van semi-supervised learning om ongelabelde data te exploiteren. Het model selecteert iteratief de meest informatieve ongelabelde instanties voor expertannotatie, terwijl het tegelijkertijd gebruikmaakt van de grote pool van ongelabelde samples om zijn eigen representaties te verbeteren, waardoor de labelkosten drastisch worden verlaagd met behoud van een sterke voorspellende nauwkeurigheid.