$$ \newcommand{\yt}{\dot{y}} \newcommand{\yo}{\tilde{y}} \newcommand{\vect}[1]{{\boldsymbol{{#1}}}} \newcommand{\x}{\vect{x}} \newcommand{\thres}{\vect{t}} \newcommand{\X}{\vect{X}} \newcommand{\Xt}{\dot{\X}} \newcommand{\Xc}{{\X}} \newcommand{\model}{{\vect{\phi}}} \newcommand{\C}{{\vect{C}}} \newcommand{\Ccheck}{\check{\vect{C}}} \newcommand{\pt}{\dot{p}} \newcommand{\pc}{p} \newcommand{\pyix}[2]{\pc_{\yo={#1}}({#2})} \newcommand{\pyx}[1]{\pyix{i}{#1}} \newcommand{\ec}{{e}} \newcommand{\Qt}{\dot{\vect{Q}}} \newcommand{\Qc}{\vect{Q}} \newcommand{\amax}{\mathop{\arg\max}\limits} \newcommand{\defined}{≔} $$

3  Cuối cùng

Với các nhãn \(\yo_k\) đã quan sát được đối với các mẫu \(\x_k\in\X\) và xác suất \(\pyx{\x_k}\) mà một mô hình \(\model\) dự đoán mẫu \(\x_k\in\X\) có nhãn \(i\in M\), chúng ta đã tóm lược phương pháp lọc ra những mẫu có nhãn khả nghi.

1 Triển vọng

Một số hướng nghiên cứu tương lai

  • Tối ưu hóa giá trị chỉ tiêu tự tin
  • Xử lý với bài toán hồi quy
  • Tương tác qua lại giữa việc học mô hình và việc khử lỗi

2 Tham khảo