Активне навчання на Гауссових процесах
Активне навчання на Гауссових процесах (GP-AL) поєднує ймовірнісну модель Гауссового процесу зі стратегією вибору запитів активного навчання, використовуючи апостеріорну невизначеність GP для вибору найбільш інформативних нерозмічених прикладів для розмітки. Цей ітеративний підхід мінімізує зусилля з розмітки, максимізуючи точність прогнозування, що робить його ідеальним, коли розмічені дані є дефіцитними або дорогими для отримання.
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
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/uk/machine-learning/active-learning-gaussian-process
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 навчанняМашинне навчання↔ compare
- Байєсівський гауссівський процесМашинне навчання↔ compare
- Гаусівський процесМашинне навчання↔ compare
- Напівкерований Гаусівський процесМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →