Глоссарий ИИ
Полный словарь искусственного интеллекта
Неопределенность модели
Мера, количественно определяющая неуверенность модели в своих прогнозах, часто используемая в качестве основного критерия для выбора примеров в активном обучении.
Пул примеров
Набор немаркированных данных, из которого алгоритм активного обучения выбирает наиболее релевантные примеры для аннотирования человеком (оракулом).
Ядерное сэмплирование
Стратегия активного обучения, которая выбирает примеры, максимизирующие разнообразие в пространстве признаков с помощью методов ядер, чтобы избежать избыточности.
Ожидаемая ошибка модели
Продвинутый критерий выборки, оценивающий потенциальное снижение ошибки обобщения модели, если бы конкретный пример был добавлен в обучающий набор.
Активное обучение комитетом
Подход, при котором несколько моделей (комитет) обучаются на одном и том же наборе данных, а расхождения в их прогнозах используются для измерения неопределенности и выбора примеров.
Плотность на основе графа
Метод выборки, учитывающий как неопределенность, так и плотность примеров в пространстве признаков путем построения графа соседства, чтобы избежать выбросов.
Вариация обучающего набора
Стратегия, измеряющая влияние добавления примера на параметры модели, путем выбора тех, которые вызывают наибольшее изменение в пространстве весов.
Полу-контролируемое активное обучение
Сочетание активного и полу-контролируемого обучения, при котором модель учится как на примерах, выбранных для аннотации, так и на внутренней структуре немаркированных данных.
Энтропия предсказания
Мера неопределенности, основанная на энтропии распределения вероятностей на выходе модели, где для аннотации выбираются предсказания с наивысшей энтропией.
Активное обучение с подкреплением
Фреймворк, в котором политика выбора выборок оптимизируется как агент обучения с подкреплением, обучаясь максимизировать долгосрочное улучшение модели.
Стоимость аннотации
Фактор, учитывающий ресурсы (время, деньги), необходимые для разметки выборки, интегрированный в стратегии активного обучения для реалистичной оптимизации.
Активное обучение на основе запросов
Парадигма, в которой модель явно формулирует запросы для получения конкретной информации (меток, признаков), а не просто выбирает полные выборки.
Синтез информативных выборок
Продвинутая техника, при которой модель генерирует новые синтетические выборки в областях максимальной неопределенности, а не ограничивается выбором из существующего пула.