Online Active Learning
Online active learning kombinerar två kompletterande paradigm: den bearbetar data som en ström (online learning) och begär selektivt etiketter endast för de mest informativa instanserna (active learning). Resultatet är en modell som kontinuerligt anpassar sig till ny data samtidigt som etiketteringskostnaderna hålls låga — användbart när etiketterad data är dyr och exempel anländer sekventiellt snarare än alla på en gång.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230. link ↗
- Sculley, D. (2007). Online active learning methods for fast label-efficient spam filtering. Proceedings of the Fourth Conference on Email and Anti-Spam (CEAS 2007). link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Active Learning (Streaming Active Learning). ScholarGate. https://scholargate.app/sv/machine-learning/online-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.
- Aktivt lärandeMaskininlärning↔ compare
- Few-shot LearningMaskininlärning↔ compare
- Online LearningMaskininlärning↔ compare
- Online logistisk regressionMaskininlärning↔ compare
- Online Random ForestMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →