Semi-veiledet aktiv læring
Semi-veiledet aktiv læring (SSAL) er et hybrid læringsparadigme som kombinerer aktiv lærings selektive spørringsstrategi med semi-veiledet lærings evne til å utnytte umerkede data. Modellen velger iterativt de mest informative umerkede instansene for ekspertannotering, samtidig som den utnytter den store mengden umerkede prøver for å forbedre sine egne representasjoner, noe som dramatisk reduserer merkostnadene samtidig som sterk prediktiv nøyaktighet opprettholdes.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Active Learning (SSAL). ScholarGate. https://scholargate.app/no/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.
- Aktiv læringMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →