Glossário IA
O dicionário completo da Inteligência Artificial
Incerteza do Modelo
Medida que quantifica a falta de confiança do modelo em suas previsões, frequentemente utilizada como critério principal para a seleção de amostras em aprendizado ativo.
Pool de Amostras
Conjunto de dados não rotulados a partir do qual o algoritmo de aprendizado ativo seleciona as amostras mais relevantes para serem anotadas por um oráculo humano.
Amostragem por Kernel
Estratégia de aprendizado ativo que seleciona as amostras maximizando a diversidade no espaço de características usando métodos de kernel para evitar redundância.
Erro de Modelo Esperado
Critério de amostragem avançado que estima a redução potencial do erro de generalização do modelo se uma amostra específica fosse adicionada ao conjunto de treinamento.
Aprendizado Ativo por Comitê
Abordagem onde vários modelos (comitê) são treinados no mesmo conjunto de dados e os desacordos entre suas previsões são usados para medir a incerteza e selecionar as amostras.
Densidade Baseada em Grafo
Método de amostragem que considera tanto a incerteza quanto a densidade das amostras no espaço de características, construindo um grafo de vizinhança para evitar pontos atípicos.
Variação do Conjunto de Treinamento
Estratégia que mede o impacto da adição de uma amostra nos parâmetros do modelo, selecionando aquelas que causam a maior mudança no espaço de pesos.
Aprendizado Ativo Semi-Supervisionado
Combinação de aprendizado ativo e semi-supervisionado onde o modelo aprende tanto a partir de amostras selecionadas para anotação quanto da estrutura inerente dos dados não rotulados.
Entropia de Predição
Medida de incerteza baseada na entropia da distribuição de probabilidade de saída do modelo, onde as previsões com a entropia mais alta são selecionadas para anotação.
Aprendizagem Ativa por Reforço
Estrutura onde a política de seleção de amostras é otimizada como um agente de aprendizagem por reforço, aprendendo a maximizar a melhoria do modelo a longo prazo.
Custo de Anotação
Fator que considera os recursos (tempo, dinheiro) necessários para rotular uma amostra, integrado nas estratégias de aprendizagem ativa para uma otimização realista.
Aprendizagem Ativa por Consulta
Paradigma onde o modelo formula explicitamente consultas para obter informações específicas (rótulos, características) em vez de simplesmente selecionar amostras completas.
Síntese de Amostras Informativas
Técnica avançada onde o modelo gera novas amostras sintéticas nas regiões de incerteza máxima, em vez de se limitar à seleção no pool existente.