限られたデータでの学習 第2部:アクティブラーニング
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Lilian Weng
教師あり学習では高品質なラベルが重要だが、収集コストが高い。アクティブラーニングは、限られた予算でラベル付けリソースを活用し、データ不足を補う手法である。本記事は限られたラベルデータへの対応策の第2部として、人間のラベリング作業を一部含むアプローチについて解説する。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
これは、教師あり学習タスクにおいてラベル付きデータが限られている場合の対処法に関するシリーズの第 2 部です。今回は予算制限の範囲内で一定量の人間によるラベル付け作業を伴いますが、どのサンプルにラベルを付与すべきかを賢く選択する必要があります。
原文を表示
This is part 2 of what to do when facing a limited amount of labeled data for supervised learning tasks. This time we will get some amount of human labeling work involved, but within a budget limit, and therefore we need to be smart when selecting which samples to label.
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み