Mar, 2017
深度贝叶斯主动学习图像数据
Deep Bayesian Active Learning with Image Data
Yarin Gal, Riashat Islam, Zoubin Ghahramani
TL;DR该研究结合贝叶斯深度学习与主动学习框架,在高维图像数据的任务中,证明了其在现有主动学习方法上的显着改进。研究表明,结合专业模型,如贝叶斯卷积神经网络,可以使主动学习技术在 MNIST 数据集和皮肤癌诊断任务中得到显著改进。
Abstract
Even though active learning forms an important pillar of machine learning,
deep learning tools are not prevalent within it. →
发现论文,激发创造
自然语言处理的深度贝叶斯主动学习:一项大规模实证研究结果
本篇论文就深度主动学习进行了大规模实证研究,针对多种任务和数据集、模型以及获取函数,证实贝叶斯主动学习方法在许多方面都优于传统的不确定性采样方法。
Aug, 2018
贝叶斯生成主动深度学习
本文提出一种贝叶斯生成主动深度学习方法,将主动学习与数据增强相结合,通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明,此方法具有更高效的训练和更好的分类结果。
Apr, 2019
DEAL: 图像分类的深度证据主动学习
本文提出一种新的主动学习算法,将 CNN 模型的输出从 softmax 替换为 Dirichlet 值,实现从未标记数据中提取最具信息量的标记数据集,该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。
Jul, 2020
深度强化主动学习多类别图像分类
本文介绍了基于深度强化学习的主动学习框架,旨在最大限度地提高医学影像分类器性能,同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式,基于几何参数在分类器的潜在空间中挑选数据,实现了高准确性的多类别分类。同时,我们还将该框架应用于两个医学图像数据集,并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。
Jun, 2022
深度图像分类的成本效益主动学习
本文提出了一种新的主动学习框架,通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习,设计了一种成本效益的样本选择策略,通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明,该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。
Jan, 2017