人工知能において、積極的学習とは、システムがトレーニング中に、入力に依存しない一般的なターゲット関数を構築しようとする学習方法であり、トレーニング データを超えた一般化がシステムへのクエリが行われるまで遅延される遅延学習とは対照的です。 [1]人工ニューラル ネットワーク などの積極的学習方法を採用することで得られる主な利点は、ターゲット関数がトレーニング中にグローバルに近似されるため、遅延学習システムを使用する場合よりも必要なスペースがはるかに少なくなることです。積極的学習システムは、トレーニング データ内のノイズにもはるかにうまく対処します。積極的学習はオフライン学習の一例であり、トレーニング後のシステムへのクエリはシステム自体に影響を与えず、そのためシステムへの同じクエリは常に同じ結果を生成します。
積極的学習の主な欠点は、一般的に目標関数において良好な局所近似値を提供できないことである。[2]
| 熱心な学習[3] | 怠惰な学習[4] |
| モデルはできるだけ早く作成されます | モデルの作成は可能な限り最後のポイントまで待機されます |
| 処理能力の消費が早い | 後で消費される処理能力 |
| モデルはすぐにクエリの準備が整います | クエリが完了するまでモデルの作成を待機します |
参考文献
- ^ Hendrickx, Iris; Van den Bosch, Antal (2005年10月). 「インスタンスベース分類によるハイブリッドアルゴリズム」.機械学習: ECML2005 . Springer. pp. 158– 169. ISBN 9783540292432。
- ^ 知識処理入門. p. 2.
- ^ Wouda, Frank J., et al. 「5つの慣性センサーのみを用いた全身ポーズの推定：積極的学習アプローチか、それとも怠惰な学習アプローチか？」 Sensors 16.12 (2016): 2138.
- ^ Aha, David W.「Lazy learning」Lazy learning. ドルドレヒト：Springer Netherlands、1997年、7-10ページ。
