知识卡片
主动学习闭环
主动学习根据当前模型的不确定性或信息需求,选择下一批值得标注或实验的对象,再将新结果用于更新模型。它把数据获取变为决策过程,有助于减少低信息量测量。选样策略仍会影响覆盖范围,模型自信也可能错误,因此需保留独立评价并检查未探索区域,不能把闭环本身视为成功保证。
结构图:
flowchart LR
A[当前模型] --> B[选择有信息量的样本]
B --> C[标注或实验]
C --> D[更新数据]
D --> A
A --> E[独立评价]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 人工智能在药物发现和开发中的应用 生成候选与主动学习闭环 · 查看原书依据
主动学习提供了一种反馈机制,从而评估数据并在知道什么会改进模型的基础上提出可能的新实验;下一轮则向模型添加更多数据。这些知识来自一个主动学习系统,该系统要求人类对不确定性程度最高的类别实例进行注释或标记。然后,主动学习系统可以基于较小的数据
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能在药物发现和开发中的应用,生成候选与主动学习闭环(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section08.xhtml)
- 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。
- 原始内容:主动学习提供了一种反馈机制,从而评估数据并在知道什么会改进模型的基础上提出可能的新实验;下一轮则向模型添加更多数据。这些知识来自一个主动学习系统,该系统要求人类对不确定性程度最高的类别实例进行注释或标记。然后,主动学习系统可以基于较小的数据