Активне навчання з Гаусовими сумішами
Активне навчання з Гаусовими сумішами (Active Learning Gaussian Mixture Model) поєднує ітераційну стратегію вибору запитів із моделлю Гаусових сумішей. Алгоритм відбирає найінформативніші нерозмічені точки — зазвичай ті, що мають найвищу невизначеність прогнозу — подає їх оракулу для розмітки та перенавчає GMM за допомогою алгоритму EM на зростаючому розміченому наборі. Результатом є модель щільності, яка досягає якості повноцінних даних, вимагаючи значно менше розмічених прикладів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/uk/machine-learning/active-learning-gaussian-mixture-model
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.
- Активне навчання на Гауссових процесахМашинне навчання↔ compare
- Байєсівська гауссова сумішМашинне навчання↔ compare
- Напівкерована Гауссова Суміш (Semi-supervised Gaussian Mixture Model, SS-GMM)Машинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →