Jun, 2018

通过深度强化学习元学习可转移的主动学习策略

PDF
TL;DR使用元学习框架，将主动学习算法视为学习问题，并使用强化学习训练一个输入基础学习器状态和未标记点集的深度神经网络，预测下一个最佳注释点，使用多任务数据集嵌入方法，使得算法可以直接推广到不同的问题。
active learningmeta-learningneural networkreinforcement learninggeneralization
发现论文，激发创造
  • 发现通用主动学习策略

    该研究提出了一个通用的方法来发现可以从数据中转移的主动学习策略，通过将注释过程形式化为马尔可夫决策过程，设计出通用的状态和动作空间，并引入了一个新的奖励函数，该函数可以准确地模拟最小化注释成本的主动学习目标。然后，使用强化学习来寻找最优的主动学习策略，并在多个不相关的领域对学习后的策略进行了评估，表明它们始终优于现有技术基线。

    Oct, 2018

  • 学习主动学习：深度强化学习方法

    该论文提出了将主动学习重新表述为一种强化学习问题，并明确学习数据选择策略，其中策略充当主动学习启发式算法的角色，以解决启发式选择方法的有效性受限且性能因数据集而异的问题。我们使用跨语言命名实体识别来演示我们的方法，发现相对于传统的主动学习，我们的方法获得了均衡的改进。

    Aug, 2017

  • 使用神经网络实现鲁棒性和可重现的主动学习

    本研究旨在证明在相同实验条件下，不同类型的主动学习算法（基于不确定性、多样性和委员会的），与随机采样基准相比，产生的收益不一致，这种性能度量的差异性可能导致结果与以前报告的结果不一致，强正则化下，主动学习方法在各种实验条件下显示出微小或无优势，并提出一套关于如何评估主动学习算法的建议，以确保结果在实验条件变化下具有重复性和稳健性。

    Feb, 2020

  • MetAL: 基于元学习的图半监督主动学习

    本文提出了一个基于元学习的主动学习方法 MetAL，通过利用 meta-gradients 来模拟模型训练效果，并且在多种不同领域的数据集上取得了比现有算法更好的结果。

    Jul, 2020

  • 部署主动学习的实际障碍

    本文研究了主题 “主动学习”，发现尽管在特定模型和特定领域中使用主动学习可能会带来好处，但在不同模型和任务之间泛化当前方法的好处不可靠，并且主动学习的认购数据与指导其获取的模型相结合，与使用独立同分布的（I.I.D）随机样本训练继任模型的方法相比并没有明显的优势，主动学习的局限性是否值得现实中的应用，值得深思。

    Jul, 2018

  • 物理学中的主动学习：从基础到进展和观点

    主动学习是一种在人工智能时代之前就存在的机器学习算法家族，与传统方法相比，利用未标记的样本通过专家的标注来优先选择最具信息量的样本，从而提高模型性能。本文介绍了主动学习的理论，涵盖不同领域的最新进展，并探讨了主动学习与量子机器学习的潜力。

    Jul, 2023

  • 面向可计算的深度主动学习

    该研究介绍了两种用于文本分类和标记任务的技术，可以显著减少深度学习中主动学习繁重的计算资源需求，通过伪标签和蒸馏模型实现更高性能的模型训练。

    May, 2022

  • 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

  • Ask-n-Learn：基于可靠梯度表示的主动学习图像分类

    本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn，结合数据扩增缓解伪标注期间的确认偏差，通过对基准图像分类任务（CIFAR-10，SVHN，Fashion-MNIST，MNIST）的经验研究，证明了该方法优于最近提出的 BADGE 算法等现有基线。

    Sep, 2020

  • 机会主义主动学习策略的学习

    使用强化学习对物体检索任务进行优化的机器学习论文，包括主题如：主动学习，机会主动学习，监督模型，自然语言描述和强化学习。

    Aug, 2018