Odporne aktywne uczenie się
Odporne aktywne uczenie się rozszerza standardowe ramy aktywnego uczenia się, aby radzić sobie z zaszumionymi etykietami, perturbacjami adwersarialnymi oraz zawodnymi wyroczniami. Zamiast zakładać doskonałe etykietowanie, włącza ono statystyczne lub adwersarialne gwarancje odporności do procesu wyboru zapytań, utrzymując efektywność próbkowania przy jednoczesnym tolerowaniu błędów w procesie adnotacji.
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
- Balcan, M.-F., Beygelzimer, A., & Langford, J. (2006). Agnostic active learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML 2006), pp. 65–72. ACM. DOI: 10.1145/1143844.1143853 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Active Learning (Noise-Tolerant Query-Based Learning). ScholarGate. https://scholargate.app/pl/machine-learning/robust-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
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie onlineUczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
- Wytrzymały klasyfikator maszyny wektorów nośnychUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →