Aktif Öğrenme Oy Birliği Topluluğu
Active Learning with Voting Ensemble (Query by Committee) · Ayrıca şöyle bilinir: Query by Committee, QBC, active ensemble learning, committee-based active learning
Aktif Öğrenme Oy Birliği Topluluğu — resmi olarak Komite Sorgulama olarak da bilinir — çeşitli modellerden oluşan bir komite eğiten ve insan etiketlemesi için en çok anlaşmazlığa düşen etiketlenmemiş örnekleri seçen bir aktif öğrenme stratejisidir. Etiketleme çabasını en bilgilendirici noktalara odaklayarak, pasif öğrenmenin gerektirdiğinden çok daha az etiketlenmiş örnekle yüksek doğruluk elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlemenin pahalı veya zaman alıcı olduğu durumlarda aktif öğrenme oy birliği topluluğunu kullanın — klinik etiketleme, yasal belge etiketleme, özel görüntü incelemesi — ve küçük bir etiketlenmiş tohum kümesinin yanı sıra büyük bir etiketlenmemiş veri havuzu mevcuttur. Komite anlaşmazlığının anlamlı bir sinyal olduğu sınıflandırma görevleri için ve en az 3-5 çeşitli modelin sahaya sürülebileceği durumlarda iyi çalışır. Etiketlerin ucuz ve bol olduğu durumlarda (o zaman tam veri kümesinde pasif öğrenme eşit veya daha verimli olacaktır), etiketlenmemiş havuzun çok küçük olduğu, gerçek zamanlı çevrimiçi etiketlemenin mümkün olmadığı veya bir topluluk yerine tek, yorumlanabilir bir modelin gerekli olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Rastgele örneklemeye kıyasla hedeflenen bir doğruluğa ulaşmak için gereken etiketlenmiş örnek sayısını önemli ölçüde azaltır.
- Topluluk oylaması, çıkarım zamanında daha düşük varyanslı tahminlerin ikili faydasını sağlar.
- Modelden bağımsız: herhangi bir çeşitli sınıflandırıcı kümesi komiteyi oluşturabilir.
- Anlaşmazlık puanı, izlenmesi ve görselleştirilmesi kolay yerleşik bir belirsizlik sinyali sağlar.
- 1992'de tanıtılan Komite Sorgulama çerçevesi aracılığıyla teorik olarak iyi temellendirilmiştir.
- Altyapı karmaşıklığı ekleyen bir etiketleme döngüsü gerektirir: bir havuz yöneticisi, oracle arayüzü ve yeniden eğitim işlem hattı.
- Performans büyük ölçüde komite çeşitliliğine bağlıdır; homojen bir komite bilgisiz anlaşmazlık üretir.
- Havuz tabanlı aktif öğrenme, tüm etiketlenmemiş havuzun belleğe sığdığını varsayar; çok büyük havuzlar yaklaşımlar gerektirir.
- Oracle'ın sistematik etiketleme hataları yapması durumunda yakınsama garanti edilmez.
SSS
Kaç komite üyesi kullanmalıyım?
Üç ila on çeşitli model yaygın bir pratik aralıktır. Daha az üye daha gürültülü anlaşmazlık tahminleri üretir; daha fazla üye hesaplama maliyetlerini artırır. Ampirik olarak, beş çeşitli sınıflandırıcı genellikle kararlılık ve verimlilik arasında iyi bir denge sağlar.
Komitedeki anlaşmazlığı nasıl ölçerim?
Oy entropisi en yaygın ölçümdür: H = -sum_c p(c) log p(c), burada p(c) sınıf c'yi tahmin eden komite üyelerinin oranıdır. Olasılıksal modeller için, ortalama tahminden ortalama KL ıraksaması bir alternatiftir. Daha yüksek puanlar daha bilgilendirici örnekleri gösterir.
Bunu derin öğrenme modelleriyle kullanabilir miyim?
Evet. Derin topluluklar veya MC-dropout yaklaşımları komite olarak hizmet edebilir. Ana zorluk yeniden eğitim maliyetidir — paylaşılan bir omurgayı çeşitli başlıklarla ince ayar yapmak gibi stratejiler bunu önemli ölçüde azaltır.
Etiketleme bütçem çok kısıtlıysa — diyelim ki 20 etiketten az?
Çok az etiketle, rastgele örnekleme veya tabakalı tohum seçimi genellikle QBC ile karşılaştırılabilir performans gösterir çünkü tüm yöntemler neredeyse aynı bilgi açısından fakir temelden başlar. QBC'nin avantajı, tohum kümesi her sınıftan en az 20-50 örnek aldığında daha net ortaya çıkar.
Aktif öğrenme oy birliği topluluğu regresyon için çalışır mı?
Evet, anlaşmazlık oy entropisi yerine komite tahminlerinin varyansı veya standart sapması olarak ölçülür. Aynı sorgu-yeniden eğitim döngüsü geçerlidir; son çıktı komite tahminlerinin ortalamasıdır.
Kaynaklar
- Seung, H. S., Opper, M., & Sompolinsky, H. (1992). Query by committee. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (COLT '92), pp. 287–294. ACM. DOI: 10.1145/130385.130417 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with Voting Ensemble (Query by Committee). ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-voting-ensemble
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır