TL;DR本研究提出了一种通过使用生成式对抗网络 (GAN) 实现的新型主动学习方法,通过根据不确定性原理生成查询来增加学习速度,我们的方法可以与其他主动学习原理一起使用;我们报告了各种数值实验的结果以证明所提出的方法的有效性。在某些情况下,该算法的效果优于传统的基于池的方法。据我们所知,这是第一个使用 GAN 实现的主动学习方法。
Abstract
We propose a new active learning by query synthesis approach using Generative
Adversarial Networks (GAN). Different from regular active learning<
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
该论文提出了一种新的基于 GAN 的主动学习方法 ASAL,它能够生成高混沌样本,通过从样本池中搜索相似的样本,在训练中将它们包含在内,提高了新样本的质量并使注释更可靠。ASAL 是第一种适用于多类问题的基于 GAN 的主动学习方法,优于随机样本选择。ASAL 运行时复杂度较小,而传统的不确定性采样则相反。我们在多个传统数据集上进行了全面的实验,并展示了 ASAL 的优越性。在讨论部分,我们分析了 ASAL 的最佳性能情况和为什么有时很难超越随机样本选择。