AI 詞彙表
人工智能完整詞典
Stratégie d'Échantillonnage par Incertitude
Méthode de sélection active qui priorise les instances pour lesquelles le modèle de classification actuel présente la plus faible confiance ou la plus grande incertitude dans ses prédictions, souvent mesurée par la marge ou l'entropie.
Stratégie d'Échantillonnage par Densité
Approche de sélection active qui cible les instances situées dans des régions de l'espace de caractéristiques à forte densité de données, afin de maximiser l'impact de chaque étiquette sur la définition des frontières de décision.
Détection de Novelté
Processus d'identification d'instances dans un flux de données qui appartiennent à des classes non encore vues ou qui diffèrent significativement de la distribution des données d'entraînement, souvent crucial pour la robustesse des modèles sur flux.
Stratégie d'Échantillonnage Attendu par Modèle
Méthode de sélection active qui choisit les instances dont l'étiquetage est censé entraîner la plus grande réduction de l'erreur de généralisation attendue du modèle, en se basant sur l'analyse de l'impact potentiel de chaque échantillon.
Coût d'Acquisition d'Étiquette
Ressource (temporelle, monétaire ou computationnelle) requise pour obtenir une étiquette de la part d'un oracle, un facteur clé dans l'apprentissage actif qui vise à minimiser ce coût pour une performance de modèle donnée.
Sélection par Représentativité
Stratégie d'apprentissage actif qui vise à sélectionner des échantillons non seulement incertains mais aussi représentatifs de la structure globale des données non étiquetées, souvent via des techniques de clustering.
Adaptation de Flux
Capacité d'un algorithme d'apprentissage à ajuster dynamiquement son modèle interne en réponse aux changements dans les caractéristiques du flux de données, tels que la dérive de concept ou l'évolution des distributions.
Stratégie d'Échantillonnage Hybride
Approche de sélection active combinant plusieurs critères (par exemple, incertitude et densité) pour identifier les instances les plus précieuses à étiqueter, cherchant à équilibrer l'exploration de nouvelles régions et l'exploitation des frontières de décision.
Méthode de Pool-Based
Cadre d'apprentissage actif où l'algorithme a accès à un 'pool' d'instances non étiquetées à partir duquel il sélectionne les plus informatives à étiqueter, par opposition au cadre 'stream-based' où les décisions sont prises à la volée.