Robust Active Learning
Robust Active Learning ขยายกรอบการเรียนรู้เชิงรุก (active learning) แบบมาตรฐานเพื่อจัดการกับป้ายกำกับ (label) ที่มีสัญญาณรบกวน (noisy labels) การรบกวนแบบปฏิปักษ์ (adversarial perturbations) และผู้ให้ข้อมูลที่เชื่อถือไม่ได้ (unreliable oracles) แทนที่จะสมมติว่าการติดป้ายกำกับสมบูรณ์แบบ วิธีนี้จะรวมการรับประกันความทนทานทางสถิติหรือแบบปฏิปักษ์เข้ากับกระบวนการเลือกคำถาม (query selection) โดยยังคงประสิทธิภาพของตัวอย่าง (sample efficiency) ในขณะที่ยอมรับความผิดพลาดในกระบวนการให้คำอธิบายประกอบ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Active Learning (Noise-Tolerant Query-Based Learning). ScholarGate. https://scholargate.app/th/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.
- Active Learningการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบออนไลน์การเรียนรู้ของเครื่อง↔ compare
- Random Forest ที่ทนทานการเรียนรู้ของเครื่อง↔ compare
- การสนับสนุนแบบจำลองที่แข็งแกร่งการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare