Aug, 2018
主动学习中的对抗抽样
Adversarial Sampling for Active Learning
TL;DR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。