深度无监督主动学习

IJCAIJul, 2020

On Deep Unsupervised Active Learning

Changsheng Li, Handong Ma, Zhao Kang, Ye Yuan, Xiao-Yu Zhang...

TL;DR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。

Abstract

unsupervised active learning has attracted increasing attention in recent years, where its goal is to select representative samples in an unsupervised setting for human annotating. Most existing works are based on shallow linear models by assuming that each sample can be well approxima

unsupervised active learning deep neural network framework nonlinear embedding encoder-decoder architecture selection block

发现论文，激发创造

深度主动学习综述

这篇文章探讨了深度主动学习的现状和未来发展方向，介绍了目前现有的挖掘数据特征的多种方法，并且对 “深度主动学习” 进行了定义和系统梳理。

Aug, 2020

深度主动学习用于异常检测

介绍了一种基于深度学习的主动学习方法，可以有效地从正常数据中分离离群值，并讨论了它们在发现聚类和低密度异常方面的性能

May, 2018

零样本主动学习基于自监督学习

提出了一种新的无关模型且无需迭代过程的主动学习方法，利用自监督学习的特征表示来进行数据注释以提高深度学习模型的泛化性能。

Jan, 2024

深度主动学习破除幻觉

该研究旨在评估目前基于最新学习方法下的图像分类的主动学习策略的有效性，并且在更实际的情况下验证了选择语义分割的方法，其提出了一种更合适的评估协议。

Dec, 2019

深度贝叶斯主动半监督学习

通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

Mar, 2018

深度主动学习反思：在模型训练中利用未标记数据

该研究提出了在主动学习的过程中既利用有标签的数据，也利用无标签的数据进行模型训练的方法，并使用了无监督特征学习和半监督学习的技术，研究表明使用无标签数据进行模型训练在图像分类任务中可以带来比不同获取策略更高的准确度，因此可以得到更小的标签预算。

Nov, 2019

ImageNet 规模下的主动学习

该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

Nov, 2021

深度主动学习用于主播用户预测

本文介绍了一种名为 DALAUP 的基于深度主动学习模型的锚定用户预测方法，使用神经网络找到多个网络下最具信息的用户对进行标注，通过实验发现该模型在社交网络数据上表现优于现有方法。

Jun, 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

基于深度单类分类的主动异常检测

通过结合积极学习和半监督学习方法，本文提出了一种新的查询策略，以及使用噪声对比估计来有效地训练单类分类模型，从而改善异常检测过程和性能。

Sep, 2023