Полуавтоматическое активное обучение
Полуавтоматическое активное обучение (SSAL) — это гибридная парадигма обучения, которая сочетает избирательную стратегию запросов активного обучения со способностью полуавтоматического обучения использовать неразмеченные данные. Модель итеративно выбирает наиболее информативные неразмеченные экземпляры для аннотирования экспертом, одновременно используя большой пул неаннотированных образцов для улучшения собственных представлений, что значительно снижает затраты на разметку при сохранении высокой точности прогнозирования.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Active Learning (SSAL). ScholarGate. https://scholargate.app/ru/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.
- Активное обучениеМашинное обучение↔ compare
- Распространение метокМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →