本研究提出了一种新的主动学习策略,利用对抗性样本逼近决策边界来最小化训练过程中从神经网络的标注查询次数,实验证明这种方法加速了 MNIST、Shoe-Bag 和 Quick-Draw 数据集上的卷积神经网络收敛速度。
Feb, 2018
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
本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型,以更小的代价获得数据的标记,且生成的样本能有效地提高流行的图像分类任务中的分类性能。
Jun, 2019
本文提出了一种新颖的主动学习方法,使用一个小的参数模块 “loss prediction module” 来预测未标注数据的损失值,并基于此向其他特征不确定的数据请求人类进行标注,可以适用于深度神经网络的所有任务,结果表明该方法在图像分类、物体检测和人体姿态估计等任务中优于之前的方法。
May, 2019
减少标注数量并保持算法性能,通过主动学习算法在活动数据集中进行标签审核,可以提高模型性能,尤其在与不确定性查询策略相结合时。
Sep, 2023
本文提出了一种 Deep Decision boundary Instance Generation(DeepDIG)的方法,在决策边界附近通过生成样本来深入理解深度神经网络的工作机制和决策行为多方面特征。在多个数据集上进行了实验和测试。
Dec, 2019
我们提出了一个二阶段的主动微调框架,其中包括核心样本选择以增加多样性,以及边界样本选择以增加不确定性,通过在高维特征空间中识别伪类别中心、创新去噪方法和迭代策略,无需真实标签即可选择需要注释的样本,我们的综合实验证据量化地证明了我们的方法比现有基线表现更好。
Mar, 2024
通过计算决策边界上的精确点,并提供数学工具来研究定义决策边界的表面,本文旨在确认一些对决策边界的猜测是准确的,某些计算方法可以得到改进,而一些简化假设可能是不可靠的,特别是涉及到非线性激活函数的模型。最后,本文提出了计算实践的改进方法,并揭示了计算决策边界上最接近点的弱点,以此来提高模型对抗攻击的鲁棒性。
Aug, 2019
该研究提出了一种新的主动学习框架,通过加入自然语言解释生成模型,实现在低资源条件下减少标签和解释注释的人工成本,并提升了决策方案生成的效果。
May, 2023
使用主动学习和降维技术结合决策边界,提取轨迹数据中的模式和聚类特征,以提高轨迹标记的效率和准确性。
Dec, 2023