Osugi et al. [23] propose an active

Osugi et al. [23] propose an active learning algorithm that
balances the exploration and exploitation while selecting a new
instance for labeling by the expert at each step. The algorithm
randomly chooses between exploration and exploitation at
each round and receives feedback on the effectiveness of the
exploration step, based on the performance of the classifier
trained on the explored instance

ผลลัพธ์ (ไทย) 1:

Al. ร้อยเอ็ด Osugi [23] เสนออัลกอริทึมการเรียนรู้ที่ใช้งานอยู่ที่ดุลการสำรวจและแสวงหาประโยชน์ในขณะที่เลือกใหม่ตัวอย่างการติดฉลากโดยผู้เชี่ยวชาญในแต่ละขั้นตอน อัลกอริทึมการโดยการสุ่มเลือกระหว่างสำรวจและแสวงหาประโยชน์ที่แต่ละรอบ และได้รับความคิดเห็นเกี่ยวกับประสิทธิผลของการขั้นตอนการสำรวจ ขึ้นอยู่กับประสิทธิภาพของ classifier ที่การฝึกอบรมบนอินสแตนซ์ explored

ผลลัพธ์ (ไทย) 2:

Osugi et al, [23] เสนอขั้นตอนวิธีการเรียนรู้ที่ใช้งานที่ยอดการสำรวจและการแสวงหาผลประโยชน์ในขณะที่การเลือกใหม่เช่นสำหรับการติดฉลากโดยผู้เชี่ยวชาญในแต่ละขั้นตอน อัลกอริทึมสุ่มเลือกระหว่างการสำรวจและการแสวงหาผลประโยชน์ในแต่ละรอบและได้รับข้อเสนอแนะเกี่ยวกับประสิทธิภาพของขั้นตอนการตรวจสอบข้อเท็จจริงขึ้นอยู่กับประสิทธิภาพของตัวจําแนกที่ได้รับการฝึกฝนในการสำรวจเช่น

ผลลัพธ์ (ไทย) 3:

อุซางิ et al . [ 23 ] เสนอใช้อัลกอริทึมการเรียนรู้ที่
ยอดสำรวจและแสวงประโยชน์ในขณะที่การเลือกอินสแตนซ์ใหม่
สำหรับการติดฉลากโดยผู้เชี่ยวชาญในแต่ละขั้นตอน ขั้นตอนวิธี
สุ่มเลือกระหว่างการสำรวจและการใช้ประโยชน์ในแต่ละรอบและได้รับการตอบรับใน

การสำรวจประสิทธิภาพของขั้นตอนที่ขึ้นอยู่กับประสิทธิภาพของตัว
การฝึกอบรมในอินสแตนซ์

สํารวจ