Học chủ động kết hợp học tự giám sát
Học chủ động kết hợp học tự giám sát tận dụng dữ liệu chưa được gán nhãn thông qua tiền huấn luyện tự giám sát để xây dựng các biểu diễn phong phú, sau đó sử dụng chiến lược truy vấn chủ động để chọn ra các ví dụ mang tính thông tin nhất cho việc gán nhãn thủ công, tối đa hóa hiệu suất mô hình trong một ngân sách gán nhãn eo hẹp. Cách tiếp cận kết hợp này đặc biệt mạnh mẽ khi dữ liệu được gán nhãn khan hiếm nhưng có các tập dữ liệu chưa gán nhãn lớn.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Bengar, J. Z., van de Weijer, J., Fuentes, L. L., & Raducanu, B. (2022). Class-Balanced Active Learning for Image Classification. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 3082–3091. link ↗
- Wang, K., Zhang, D., Li, Y., Zhang, R., & Lin, L. (2016). Cost-Effective Active Learning for Deep Image Classification. IEEE Transactions on Circuits and Systems for Video Technology, 27(12), 2591–2600. DOI: 10.1109/TCSVT.2016.2589879 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Active Learning with Self-supervised Representation Learning. ScholarGate. https://scholargate.app/vi/machine-learning/active-learning-self-supervised-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.
- Học chủ độngHọc máy↔ compare
- Few-shot LearningHọc máy↔ compare
- Học trực tuyếnHọc máy↔ compare
- Học tăng cường tự giám sátHọc máy↔ compare
- Học bán giám sátHọc máy↔ compare
- Transfer LearningHọc máy↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →