极小 - 极大主动学习 | BriefGPT

Dec, 2020

极小 - 极大主动学习

Minimax Active Learning

Sayna Ebrahimi, William Gan, Dian Chen, Giscard Biamby, Kamyar Salahi...

TL;DR该研究发展了一种基于半监督极小极大熵的主动学习算法，通过同时利用不确定性和多样性来选择最具代表性的样本，从而在图像分类和语义分割任务中表现优于现有的技术。

Abstract

active learning aims to develop label-efficient algorithms by querying the most representative samples to be labeled by a human annotator. Current active learning techniques either rely on model uncertainty to select the most uncertain samples or use clustering or reconstruction to cho

active learning semi-supervised entropy-based algorithm image classification semantic segmentation

发现论文，激发创造

变分对抗主动学习

该文章通过变分自编码器（VAE）和对抗网络训练了一个基于池的半监督主动学习算法，通过对抗学习的方式隐式地学习了最具代表性的查询的采样机制并达到了创新性的分类效果。

Mar, 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

正类和未标注数据中的主动学习

提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

Feb, 2016

基于熵的主动学习在具有渐进多样性约束的物体检测中的应用

该研究提出了一种新颖的混合方法以解决目标检测领域中主动学习的难题，该方法通过两个阶段设计，在考虑实例级别的不确定性和多样性的基础上，运用熵值方法和各种策略有效提高了计算机视觉任务的性能表现。

Apr, 2022

深度主动学习中易于翻转样本的查询

该研究提出了一种基于最小不一致度量的主动学习方法，通过计算预测标签的最小不一致概率来选择查询无标签数据，实验结果表明该方法在多个数据集和深度架构上均获得了领先的性能。

Jan, 2024

基于增强树的基于模型不确定性的表格数据主动学习

本研究探讨了基于提升树的主动学习方法对表格数据的有效性，利用模型不确定性进行样本选择，并针对回归任务提出了一种成本效益高的主动学习方法，同时也提出了改进的成本效益高的分类任务的主动学习方法。

Oct, 2023

提高嘈杂数据集上主动学习的成本效益

主要介绍了主动学习策略在解决二分类问题中的应用，提出了一种基于偏移正态分布采样函数的方法，通过限制噪声和正类标签选择，提高了 20% 到 32% 的成本效率。

Mar, 2024

基于一致性的半监督主动学习：朝着最小化标注成本

该论文提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，实现从未标注数据中选取最优数据来改善模型性能，在图像分类任务中实验结果显示出优异表现，同时探究了学习式主动学习方法的起点问题并提出了相关测量指标。

Oct, 2019

多样化小批量主动学习

该研究致力于解决减少有标签的训练数据来训练监督式分类模型的问题，通过使用 Active Learning 和 K-means 聚类算法，采用 mini-batch Active Learning 方法来快速有效地选取对模型具有信息量和多样性的训练样例，以达到相当或更好的性能表现。

Jan, 2019

利用不确定性和多样抽样的两步主动学习实例分割

我们提出了一种后期主动学习算法，该算法将基于不确定性的采样与基于多样性的采样相结合，不仅简单易实现，而且在各种数据集上都具有出色的表现，其实际应用在实际的高空图像数据集中增加了五倍的标注效率。

Sep, 2023