Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Query by Committee
Stratégie d'apprentissage actif où un comité de modèles vote pour sélectionner les échantillons les plus informatifs basés sur leur désaccord mutuel.
Vote Entropy
Mesure d'incertitude calculée à partir de l'entropie de la distribution des votes du comité, identifiant les échantillons avec le désaccord maximal.
Kullback-Leibler Divergence
Métrique utilisée pour quantifier la divergence entre les distributions de probabilité des prédictions des membres du comité.
Margin Sampling
Technique qui sélectionne les échantillons où la différence entre les deux classes les plus probables est minimale, indiquant une incertitude élevée.
Expected Model Change
Stratégie qui évalue l'impact potentiel d'un échantillon sur les paramètres du modèle avant son étiquetage effectif.
Expected Error Reduction
Approche qui estime la réduction d'erreur attendue sur l'ensemble de test si un échantillon particulier est étiqueté et ajouté à l'ensemble d'entraînement.
Expected Gradient Length
Méthode qui sélectionne les échantillons dont l'ajout entraînerait la plus grande longueur de gradient, indiquant un impact significatif sur l'apprentissage.
Disagreement Sampling
Variante du Query by Committee qui se concentre spécifiquement sur les échantillons où les membres du comité sont en désaccord le plus prononcé.
Consensus Sampling
Technique inverse qui sélectionne les échantillons où le comité atteint un consensus fort, souvent utilisée pour valider la robustesse du modèle.
Committee Disagreement
Mesure quantifiant le niveau de désaccord entre les prédictions des différents membres du comité pour un échantillon donné.
Uncertainty Sampling
Famille de techniques d'apprentissage actif qui sélectionnent les échantillons pour lesquels le modèle est le moins certain de ses prédictions.
Active Learning Loop
Processus itératif d'apprentissage actif comprenant la sélection d'échantillons, l'étiquetage, et la mise à jour du modèle.
Label Budget
Contrainte définissant le nombre maximum d'échantillons pouvant être étiquetés dans un processus d'apprentissage actif.
Annotation Cost
Ressources temporelles, financières ou humaines requises pour étiqueter manuellement les échantillons sélectionnés par la stratégie active.
Model Variance
Mesure de la variabilité des prédictions entre les différents membres du comité, essentielle pour évaluer le désaccord.
Query Strategy
Algorithme ou heuristique utilisé pour sélectionner les échantillons les plus informatifs à étiqueter dans l'apprentissage actif.
Pool-based Active Learning
Paradigme d'apprentissage actif où l'algorithme sélectionne des échantillons à partir d'un grand pool de données non étiquetées.