不平衡数据的主动类增量学习

ECCVAug, 2020

Active Class Incremental Learning for Imbalanced Datasets

Eden Belouadah, Adrian Popescu, Umang Aggarwal, Léo Saci

TL;DR本论文研究了增量学习的问题，提出了一种采用主动和非均衡的采样方法，将增量学习视为一个非均衡学习问题，通过类别预测缩放降低不平衡的影响，针对四个视觉数据集进行了评估，并表明该方案对于减少主动和标准增量学习性能之间的差距产生了积极的效果。

Abstract

incremental learning (IL) allows ai systems to adapt to streamed data. Most existing algorithms make two strong hypotheses which reduce the realism of the incremental scenario: (1) new data are assumed to be read

incremental learning active learning imbalanced learning sample acquisition functions ai systems

发现论文，激发创造

考虑主动和被动获取数据的差异：基于支持向量机的不平衡数据主动学习案例

探索了主动学习与被动学习过程中不同推理程序的应用，针对不平衡数据和 HLT 任务中用成本加权的 SVM 进行了研究，提出了一种基于总体不平衡性估计而非标记的训练数据的方法来解决数据不平衡的问题。

Sep, 2014

基于主动学习的不均衡土木基础设施数据处理

通过利用无人机技术和深度学习，希望实现老化土木基础设施的自动化视觉检测，同时提出了一种针对传统主动学习设置的新方法，用于代替传统的主动学习获取函数，实验证明其在性能和准确性方面均优于现有的方法。

Oct, 2022

无记忆类增量学习的初始分类器权重回放

在没有所有数据的情况下，基于初始分类器权重的归一化方法优于现有技术，在内存最小化的增量学习设置中，对于大规模数据集，它能够通过标准化初始分类器权重和预测得分来提高分类公平性。

Aug, 2020

DIRECT: 不平衡和标签噪音下的深度主动学习

通过一种新颖的算法 DIRECT，该论文提出了解决机器学习中不平衡问题的有效技术，通过收集更平衡和信息丰富的标记示例来进行注释，相较于现有算法，该算法节省了超过 15% 的注释预算。

Dec, 2023

ScaIL：用于分类增量学习的分类器权重缩放

本文针对有界内存下的连续数据流的增量学习问题，提出分别利用增量状态下的数据统计信息对初始类别分类器权重进行简单高效的缩放，并将其与传统的基于数据平衡的算法开展对比实验，结果表明通过对分类器权重的缩放以及去除蒸馏项可以有效缓解数据不平衡问题。

Jan, 2020

不平衡观测数据决策中的主动学习

本文探讨基于机器学习的个性化决策支持方法，通过学习模型来预测个体治疗效果 (ITE)，并提出了用估计的 ITE 模型的 Type S 错误率来评估决策的可靠性，并将估计的可靠性作为主动学习的标准来收集新的观测数据，从而演示了两个决策任务中的有效性。

Apr, 2019

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

在主动学习中减轻采样偏差并提高鲁棒性

该论文提出了简单而高效的方法来减轻主动学习中的采样偏差，同时实现最先进的精度和模型鲁棒性。通过引入有监督对比主动学习和选择具有多样的特性表示的信息性数据样本的无偏查询策略，我们的方法：SCAL 和 DFM，实验表明，所提出的方法降低了采样偏差，在主动学习设置中，查询计算速度比基于贝叶斯的对抗式学习快 26 倍，比 CoreSet 快 11 倍。所提出的 SCAL 方法在对抗性数据集转移和预测真实分布方面具有显着的优势。

Sep, 2021

无范例的类渐进学习初始训练策略分析

类渐进学习是从数据流中构建分类模型的目标。本文通过统计分析框架量化各个因素对增量性能的相对贡献，发现初始训练策略是影响平均增量准确性的主要因素，而 CIL 算法的选择对防止遗忘更为重要。基于此分析，我们提出了选择相应初始训练策略的实际建议，以促进增量学习的实际应用部署。

Aug, 2023

制造业中基于情境赌博机的集合主动学习

在线感知和计算资源在工业物联网系统（Industrial Cyber-physical Systems，ICPS）中促进了以人工智能为驱动的决策制定。然而，数据质量的问题，如不平衡类别，阻碍了离线训练的人工智能模型。为了解决这个问题，人工智能模型通过流式数据进行在线更新，持续改进。然而，监督学习模型在选择质量流式样本进行更新时面临注释限制的挑战。文献中的主动学习方法通过关注不充分或充分代表的区域提供了解决方案。在不断变化的制造背景下平衡这些策略是具有挑战性的。一些人工智能学到的获取准则动态地适应，但可能不一致地处理频繁变化。我们引入了一种集成主动学习方法 CBEAL，专门用于探索或开发的主动学习代理。代理的权重根据代理决策的有效性进行调整。CBEAL 在最小化人工注释的同时，优化地指导数据获取。我们的理论分析和实证研究验证了 CBEAL 在 ICPS 制造过程建模方面的效率。

Oct, 2023