Passer au contenu principal

Vocabulaire du traitement automatique des langues

Choisissez le vocabulaire dans lequel chercher

  • Aide
aligner
annoter
télécharger

Concept information

... > méthodes et outils de TAL > intelligence artificielle > apprentissage automatique > approche d'apprentissage automatique > apprentissage semi-supervisé > apprentissage actif

Terme préférentiel

apprentissage actif  

Définition

  • Modèle d’apprentissage semi-supervisé où un oracle (humain ou non) intervient au cours du processus. (Data Franca)

Concept générique

Contexte(s) définitoire(s)

  • L'active learning (Lewis & Gale 1994) ou apprentissage actif propose d'augmenter l'efficacité d'un algorithme d'apprentissage supervisé en lui permettant d'interagir directement avec la source de données (souvent l'annotateur). (Naguib, Névéol & Tannier, 2023)
  • L'apprentissage actif (AA) vise à réduire les coûts d'annotation en sélectionnant intelligemment des instances pour l'annotation plutôt que des annoter de manière aléatoire. (Arens, G Moreno, Boughanem & Callebert, 2024)
  • L'apprentissage actif (active learning) apporte un cadre à ce problème permettant de contrôler le coût d'annotation tout en maximisant on l'espère la performance de la tâche visée mais repose sur le choix difficile des exemples à soumettre à l'expert. (Claveau & Kijak, 2015)
  • Parmi ces approches l'apprentissage actif (Active learning) permet à l'expert d'annoter des exemples supplémentaires de manière itérative contrôlant ainsi le compromis coût d'annotation/performance du classifieur. (Claveau & Kijak, 2015)

Exemple

  • Dans la mesure où ceci constitue une tâche nécessitant des annotateurs experts humains, nous nous appuierons sur la méthode de l'apprentissage actif (active learning). (Bernhard & Ligozat, 2011)
  • Dans notre cas nous nous plaçons dans un cadre spécifique d'apprentissage semi-supervisé qualifié d'apprentissage actif (active learning). (Claveau & Kijak, 2015)
  • L'apprentissage actif (active learning) apporte un cadre à ce problème, permettant de contrôler le coût d'annotation tout en maximisant, on l'espère, la performance de la tâche visée, mais repose sur le choix difficile des exemples à soumettre à l'expert. (Claveau & Kijak, 2015)
  • La richesse des traits pris en compte et la stratégie d'apprentissage actif permettent en outre d'avoir des résultats portables d'un domaine à l'autre sans tâche d'annotation lourde. (Omodei, Guo, Cointet & Poibeau, 2014)
  • Le point crucial de ces algorithmes d'apprentissage actif est l'étape 3 de sélection des exemples à faire annoter à l'expert. (Claveau & Kijak, 2015)

Traductions

URI

http://data.loterre.fr/ark:/67375/8LP-WKNCB467-7

Télécharger ce concept :

RDF/XML TURTLE JSON-LD Dernière modification le 29/05/2024