---
title: "委員會查詢（Query by Committee）"
slug: query-by-committee
language: zh-TW
source: https://aiterms.tw/terms/query-by-committee
updated_at: 2026-06-23
tags: [機器學習, 可解釋AI, AI基礎]
ipas_term: false
---

# 委員會查詢（Query by Committee）

在主動學習中訓練多個模型，選擇它們預測意見分歧最大的樣本進行標籤，以高效識別決策邊界。

## 完整說明

委員會查詢是一種基於多模型投票的主動學習策略。系統同時訓練多個模型（委員會成員），對未標籤樣本進行預測。當委員會成員的預測分歧最大時，表示該樣本位於不同模型的決策邊界，標籤這類樣本對改進整體模型委員會效果最佳。相比只依賴單一模型的方法，委員會查詢更能識別結構化的決策邊界而非單純的預測不確定性。

## 常見問題

### 如何在保持委員會多樣性和訓練成本間取得平衡？

多樣性是委員會查詢效果的關鍵，但多樣性高的委員會（如 5 種不同架構各 3 個模型）訓練成本也高。一個務實的方法是分層設計：第一層用 3-5 種不同模型架構（決策樹、SVM、XGBoost、神經網絡），每種架構只訓練 1-2 個成員；第二層用同一架構（如神經網絡）配不同初始化或特徵子集再訓練 5-10 個成員。這樣既確保架構多樣性，也控制成本。另外可以使用特徵子集取樣：每個模型訓練時只用原始特徵的 70%-90%，用同一架構就能產生多樣化的決策邊界。

### 委員會投票分歧大但全體預測都錯的情況如何處理？

這種情況通常表示委員會的訓練資料有系統性偏差或異常值。例如，訓練資料本身就包含這類樣本但標籤有誤，導致委員會學到了錯誤規律。應該在選樣前加入品質檢查：計算被選中樣本與訓練集分佈的相似性，如果相似性太低（分佈外樣本），應進行人工檢驗。此外，定期檢查委員會的整體性能，若發現準確率反而下降或停滯，說明選中的樣本存在問題，應調查這批樣本的標籤品質。可以引入對標委員會（只用原始訓練集訓練），對比兩個委員會的性能，分歧大的樣本標籤品質應被重點審查。

### 在有限計算預算下，應該選擇大委員會加小選樣池還是小委員會加大選樣池？

這取決於瓶頸所在。若標籤成本很高（每筆樣本標籤成本數百元），應優先確保選樣品質，傾向大委員會（15 成員）加小選樣池（每輪 10 樣本），因為精確的樣本選擇能極大降低浪費。若標籤成本低廉但模型訓練成本高，應傾向小委員會（5 成員）加大選樣池（每輪 50-100 樣本），減少重訓次數。實務中，常見的做法是動態委員會：初期用大委員會（15 成員）精確選樣，當模型逐漸成熟且選樣精度已穩定後，縮小委員會到 7-10 成員以降低訓練成本。

---

來源：https://aiterms.tw/terms/query-by-committee
快查頁：https://aiterms.tw/terms/query-by-committee
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-query-by-committee