Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Query by Committee
Approche où un comité de modèles vote pour identifier les échantillons avec le plus grand désaccord entre les membres.
Échantillonnage par Incertitude
Stratégie sélectionnant les échantillons pour lesquels le modèle actuel est le moins certain de ses prédictions.
Apprentissage Actif par Pool
Méthode où l'algorithme sélectionne les échantillons les plus informatifs depuis un pool de données non étiquetées.
Apprentissage Actif en Flux
Approche où chaque échantillon arrive séquentiellement et le système décide instantanément de l'étiqueter ou non.
Densité Pondérée
Stratégie combinant l'incertitude du modèle avec la densité des données pour éviter les outliers et favoriser les régions représentatives.
Stratégies Basées sur les Marges
Sélection basée sur la marge entre les classes les plus probables, privilégiant les échantillons près de la frontière de décision.
Apprentissage Actif pour Deep Learning
Adaptation des stratégies d'apprentissage actif spécifiquement optimisées pour les architectures de réseaux de neurones profonds.
Apprentissage Actif Adversarial
Utilisation de modèles génératifs adversaires pour créer ou sélectionner des échantillons maximisant l'incertitude du classifieur.
Apprentissage Actif Multi-annotateurs
Stratégies optimisant la sélection des échantillons et l'assignation aux annotateurs en fonction de leur expertise et coût.
Apprentissage Actif Budget-aware
Approches intégrant des contraintes de budget et des coûts variables d'annotation dans la stratégie de sélection.
Apprentissage Actif par Renforcement
Utilisation d'agents d'apprentissage par renforcement pour apprendre la politique optimale de sélection d'échantillons.
Apprentissage Actif pour NLP
Stratégies spécialisées pour le traitement du langage naturel, gérant les particularités des données textuelles et séquentielles.