Échantillonnage En Pool

L'échantillonnage basé sur un pool est une méthode d'apprentissage actif populaire qui sélectionne des exemples informatifs à étiqueter. Un pool de données non étiquetées est créé et le modèle sélectionne les exemples les plus informatifs pour l'annotation humaine. Ces exemples étiquetés sont utilisés pour recycler le modèle, et le processus est répété.

avantage

• Réduire les coûts d’étiquetage :Par rapport aux méthodes d’apprentissage supervisé traditionnelles, l’échantillonnage basé sur le regroupement réduit le coût global d’étiquetage puisqu’il ne nécessite d’étiqueter que les échantillons les plus informatifs. Cela peut entraîner des économies de coûts importantes, en particulier lorsque vous travaillez avec de grands ensembles de données. 
• Utilisation efficace du temps des experts :Étant donné que les experts n’ont besoin de marquer que les échantillons contenant le plus d’informations, cette stratégie peut utiliser efficacement le temps des experts et économiser du temps et des ressources.
• Améliorer la précision du modèle :Les échantillons sélectionnés sont plus susceptibles d’être informatifs et représentatifs des données, de sorte que l’échantillonnage basé sur des pools peut améliorer la précision du modèle.

défaut

• Sélection d'un pool de données non étiqueté :La qualité des données sélectionnées affectera les performances du modèle, une sélection minutieuse du pool de données non étiquetées est donc cruciale. Cela peut être difficile, en particulier avec des ensembles de données volumineux et complexes.
• Qualité de la méthode de sélection :La qualité de la méthode de sélection utilisée pour choisir les échantillons les plus informatifs affectera la précision du modèle. Si la méthode de sélection n’est pas adaptée aux données ou est mal conçue, la précision du modèle peut être affectée. 
• Ne convient pas à tous les types de données :L'échantillonnage basé sur le regroupement peut ne pas convenir à tous les types de données, telles que les données non structurées ou les données bruyantes. Dans ces cas, d’autres méthodes d’apprentissage actif peuvent être plus appropriées.

Références

【1】https://encord.com/glossary/pool-based-sampling/