Глоссарий ИИ
Полный словарь искусственного интеллекта
Активное обучение в потоке
Парадигма обучения, при которой модель интеллектуально выбирает наиболее информативные экземпляры данных в непрерывном потоке для запроса их разметки, оптимизируя соотношение производительность/стоимость.
Выбор по неопределенности
Стратегия активного обучения, которая приоритезирует экземпляры, для которых модель демонстрирует наибольшую неопределенность предсказания, обычно измеряемую энтропией или доверительным интервалом.
Бюджет разметки
Количественное ограничение, определяющее максимальное количество меток, которые могут быть запрошены за единицу времени или для заданного объема данных в контексте потоковой обработки.
Концептуальный дрейф
Нестационарное изменение в базовом распределении данных или взаимосвязи между признаками и целевыми переменными, требующее непрерывной адаптации модели в потоке.
Выбор по разнообразию
Подход к выбору экземпляров, направленный на максимизацию разнообразия размеченных примеров путем избегания информационной избыточности в пространстве признаков.
Человек-оракул
Внешний источник экспертизы (обычно человеческий), привлекаемый для предоставления меток для экземпляров, выбранных системой активного обучения в реальном времени.
Стоимость разметки
Временные, финансовые или вычислительные ресурсы, необходимые для получения метки истинного значения, оптимизируемые стратегиями активного обучения.
Выбор по репрезентативности
Метод выбора экземпляров, основанный на их способности представлять глобальную или локальную структуру потока данных, обеспечивая сбалансированное покрытие пространства.
Гибридная стратегия отбора
Оптимизированная комбинация множественных критериев отбора (неопределенность, разнообразие, плотность) для повышения эффективности активного обучения в потоке.
Задержка аннотирования
Временная задержка между выбором экземпляра моделью и получением его метки, непосредственно влияющая на производительность в реальном времени.
Отбор по плотности
Критерий отбора, отдающий предпочтение экземплярам, расположенным в областях с высокой плотностью данных, для максимизации информационного воздействия каждой метки.
Динамическая адаптация
Способность системы автоматически модулировать свою стратегию отбора в зависимости от обнаруженных изменений в потоке и ограничений ресурсов.
Резервуарная выборка
Алгоритм, позволяющий поддерживать случайную выборку фиксированного размера из потенциально бесконечного потока данных с равномерной вероятностью.
Доверительный запас
Мера неопределенности, вычисляемая как разница между вероятностями двух наиболее вероятных классов, используемая для направления активного отбора.
Обнаружение новизны
Процесс идентификации экземпляров или паттернов, значительно отличающихся от ранее наблюдаемых данных в потоке, требующих особого внимания.
Ограничения пропускной способности
Ограничения на объем данных, которые могут быть переданы или обработаны одновременно, влияющие на решения по отбору в активном обучении.
Адаптивная стратегия остановки
Механизм, динамически определяющий, когда прекратить запрос меток на основе эволюции производительности модели и оставшегося бюджета.
Активная коллаборативная фильтрация
Применение активного обучения к системам рекомендаций в потоковом режиме, где пользовательские взаимодействия выборочно отбираются для обучения.
Балансировка исследования-использования
Фунментальная дилемма, заключающаяся в выборе между исследованием новых областей пространства и использованием полученных знаний при активном отборе.