关键词active learning methods
搜索结果 - 6
- 线性样本复杂度下的单指数模型无偏主动学习
对单指数模型进行主动学习方法的研究,证明了在已知或未知函数情况下,通过统计杠杆得分采样,采集约 O (d) 个样本即可学习出接近最优的单指数模型,且适用于拟合偏微分方程等科学机器学习应用。这种方法无需对数据分布进行假设,在挑战性的对手学习环 - 基于分类树的主动学习:一种封装方法
使用包装器主动学习方法对分类问题进行改进,通过在初始标记样本上构建分类树,将空间分解为低熵区域,再使用基于输入空间的准则从这些区域中进行子采样,并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。
- 边界事关:一个双级主动微调框架
我们提出了一个二阶段的主动微调框架,其中包括核心样本选择以增加多样性,以及边界样本选择以增加不确定性,通过在高维特征空间中识别伪类别中心、创新去噪方法和迭代策略,无需真实标签即可选择需要注释的样本,我们的综合实验证据量化地证明了我们的方法比 - 通向自由数据选择的通用模型
通过设计一个独特的数据选择流程,利用现有的通用模型对各个数据集进行单次推理,而无需额外的训练或监督,本文提出了一种新的自由数据选择(FreeSel)方法,通过捕捉通用模型的中间特征中提取出的语义模式来选择所有数据样本,可以显著提高效率,并且 - 一种动态贝叶斯优化的主动推荐系统,用于以好奇心驱动的人为中心的自动实验
通过人为干预的贝叶斯优化主动推荐系统 (BOARS),实现对实验目标的动态控制并结合机器学习算法进行优化,在铁电薄膜表面的压电响应力谱中得出对称压电响应振幅滞环的影响因素,在实验领域进行了跨学科探索。
- 利用主动学习方法策略性地选择论文进行自动评分
本研究描述并评估了三种主动学习方法,这些方法可以用于最小化需要人工评分者评分的论文数量,同时提供培训现代自动化论文评分系统所需的数据。这三种主动学习方法是基于不确定性的,基于拓扑的和混合方法,并使用双向编码器从转换语言模型中训练出的评分模型