Aktiv læring med Gaussiske prosesser
Aktiv læring med Gaussiske prosesser (GP-AL) kombinerer en probabilistisk modell basert på Gaussiske prosesser med en spørringsstrategi for aktiv læring. Den bruker den posteriore usikkerheten til GP-en til å velge de mest informative umerkede eksemplene for merking. Denne iterative tilnærmingen minimerer merkingsinnsatsen samtidig som den maksimerer prediktiv nøyaktighet, noe som gjør den ideell når merkede data er knappe eller dyre å innhente.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/no/machine-learning/active-learning-gaussian-process
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.
- Aktiv læringMaskinlæring↔ compare
- Bayesiansk Gaussisk ProsessMaskinlæring↔ compare
- Gaussisk prosessMaskinlæring↔ compare
- Semiveiledet Gaussisk ProsessMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →