Learning with not Enough Data Part 2: Active Learning

摘要

探討在標籤資料有限且預算受限的情況下，如何透過主動學習策略來高效地選擇樣本進行標籤。文章介紹了多種基於不確定性、多樣性與核心集的概念，並展示了實際應用於影像分類與分割任務的方法。

This article explores active learning strategies to efficiently select samples for labeling when labeled data is limited and budget-constrained. It introduces concepts like uncertainty sampling, core-sets, and contrastive learning, demonstrating their application in image classification and segment.

重點

• 主動學習透過選擇高價值樣本來最佳化模型效能。
• 不確定性取樣針對模型預測最模糊的樣本進行標籤。
• 核心集方法利用幾何近似來縮小需要標籤的樣本數量。

提到的工具與公司

• Dropout
• GAN

適合誰看

資料科學家、機器學習工程師或正在處理少樣本分類問題的研究人員。

摘要依據

講者

Lilian Weng

依據

文章全文

為什麼排在這裡

人氣

0.75

新鮮

0.00

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Learning with not Enough Data Part 1: Semi-Supervised Learning文章 ・ Lilian Weng（部落格）
• Learning with not Enough Data Part 3: Data Generation文章 ・ Lilian Weng（部落格）
• Stanford CS229 Machine Learning | Spring 2026 | Lecture 6: Dataset Split, ML Advice影片 ・ Stanford Online ・ 1 小時 18 分（在新分頁開啟原站）
• How to Generate and Use Synthetic Data for Finetuning文章 ・ Eugene Yan（部落格）
• Build an LLM from Scratch 5: Pretraining on Unlabeled Data影片 ・ Sebastian Raschka ・ 2 小時 37 分（在新分頁開啟原站）
• Understanding Sampling in LLMs影片 ・ Salvatore Sanfilippo ・ 17 分鐘（在新分頁開啟原站）