Machine learningMachine learning

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.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018
  2. 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.

Compare side by side
ScholarGateSemi-supervised Active Learning (Semi-supervised Active Learning (SSAL)). Получено 2026-06-15 из https://scholargate.app/ru/machine-learning/semi-supervised-active-learning · Набор данных: https://doi.org/10.5281/zenodo.20539026