Bayesowskie aktywne uczenie się
Bayesowskie aktywne uczenie się (BAL) łączy model probabilistyczny ze strategią aktywnego zapytania w celu identyfikacji nieoznaczonych przykładów, które po oznaczeniu najbardziej zredukowałyby niepewność modelu. Zamiast losowego oznaczania danych, BAL kieruje orakulum — zazwyczaj ludzkiego anotatora — do punktów, w których oznaczenie dostarczy największego przyrostu informacji, co czyni go wysoce efektywnym pod względem kosztów oznaczania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Houlsby, N., Huszár, F., Ghahramani, Z., & Lengyel, M. (2011). Bayesian Active Learning for Classification and Preference Learning. arXiv preprint arXiv:1112.5745. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Active Learning (Query-by-Committee and BALD). ScholarGate. https://scholargate.app/pl/machine-learning/bayesian-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.
- Aktywna naukaUczenie maszynowe↔ compare
- Regresja logistyczna bayesowskaStatystyka bayesowska↔ compare
- Optymalizacja bayesowskaOptymalizacja↔ compare
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →