Глоссарий ИИ
Полный словарь искусственного интеллекта
Active Learning for NLP
Paradigme d'apprentissage où le modèle sélectionne intelligemment les exemples textuels les plus informatifs à annoter, optimisant ainsi l'utilisation des ressources d'annotation humaine dans les tâches de traitement du langage naturel.
Density-Weighted Active Learning
Approche combinant l'incertitude du modèle avec la densité des exemples dans l'espace des caractéristiques, privilégiant les échantillons textuels incertains situés dans des régions denses de données.
Pool-Based Active Learning
Cadre où l'algorithme dispose d'un pool fixe d'exemples textuels non étiquetés et sélectionne itérativement les instances les plus informatives pour l'annotation humaine.
Stream-Based Active Learning
Paradigme où les données textuelles arrivent séquentiellement et le modèle doit décider en temps réel d'annoter ou de rejeter chaque instance sans possibilité de revenir en arrière.
Batch Mode Active Learning
Variante sélectionnant simultanément plusieurs échantillons textuels pour annotation, optimisant les processus d'annotation humaine par lots tout en maintenant la diversité des instances choisies.
Active Learning for Sequence Labeling
Spécialisation de l'apprentissage actif pour les tâches d'étiquetage de séquences comme NER ou POS tagging, où la sélection se fait au niveau des séquences ou tokens entiers.
Core-Set Selection
Approche théorique garantissant que l'ensemble sélectionné approxime bien l'ensemble complet de données, souvent utilisée dans le contexte de l'apprentissage actif pour NLP avec des garanties de performance.
Annotation Cost Modeling
Technique intégrant les coûts variables d'annotation (temps, expertise requis) dans le processus de sélection d'échantillons, optimisant le rapport coût-efficacité dans les projets NLP.
Активное обучение для низкоресурсных языков
Специализированное применение активного обучения для языков с небольшим объемом доступных данных, использующее стратегии переноса и выбора, адаптированные к лингвистическим ограничениям.
Активное обучение с предварительно обученными моделями
Интеграция активного обучения с предварительно обученными языковыми моделями, такими как BERT, использующая контекстуальные представления для улучшения выбора информативных образцов.
Многозадачное активное обучение
Подход, в котором единый набор аннотаций используется для одновременного улучшения нескольких задач NLP, оптимизируя выбор образцов, полезных для всех задач.
Активное обучение для классификации текста
Специализация активного обучения для задач классификации документов, использующая стратегии, адаптированные к особенностям высокоразмерных текстовых данных.
Проблема холодного старта в активном обучении
Первоначальная сложность, при которой модели не хватает размеченных данных для надежных прогнозов, требующая стратегий инициализации, таких как случайная выборка или полууправляемое обучение.