深度主动学习用于异常检测
本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程,通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移,实现了降低假正例率且不损失检测率的目的。
Sep, 2018
通过自适应主动学习采样策略,利用数据先验分布和模型不确定性,我们的方法在检测异常时的主动学习中胜过现有方法,并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。
Jul, 2023
本论文研究了在深度神经网络模型中的主动学习,适用于诸如检测局部地表变化和地图更新等一些遥感任务,并使用各种机制捕捉和量化模型的不确定性,以选择有信息量的未标记样本进行注释,通过少量样本的标记就达到与大型训练集相同的性能的效果。
Aug, 2020
AHUNT 是一种结合深度学习和主动学习的异常检测算法,它可以自动和动态地改进数据特征以提高异常检测性能,并通过动态异常类别分类方法向完全个性化的异常类别分类方法迈进,使得算法能够学会忽略统计上显著但无趣的异常值。
Oct, 2022
本研究描述了一个可扩展的主动学习系统,旨在改善在自动驾驶中监督学习的数据效率,主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开,同时探讨了一些挑战及其解决方法,并简要描述了未来发展方向。
Apr, 2020
本研究结合活性学习和增量学习的方法,提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准,并探讨在样本选择过程中如何解决类别不平衡问题,通过系统评估在 PASCAL VOC 2012 数据集上,实现对新未标注数据集的持续探索。
Sep, 2018
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
本文提出了一种名为 DUAL 的新型深度神经网络框架来进行无监督主动学习,该框架可以通过编码器 - 解码器结构明确地学习非线性嵌入将每个输入映射到潜在空间,并引入选择块来在学习的潜在空间中选择代表性样本,实验结果表明 DUAL 与现有方法相比具有明显的优越性。
Jul, 2020