KDDJan, 2022

非平衡分类场景下的冷启动主动学习策略

PDF
TL;DR该研究提出了一种新的主动学习策略，专门解决大量无标签数据的分类初始化问题，同时处理不平衡的上下文，通过使用元素分数结合从聚类结构提取的信息到标签传播模型来解决标签稀缺和不平衡问题。以 Twitter 内容注释为例，该方法有效地处理了类别不平衡问题，提高了少数类样本的召回率。
发现论文，激发创造
  • 解决视觉主动学习中的冷启动问题：做出您的第一个选择

    本文旨在解决视觉主动学习中的初始查询选择偏见问题，通过对比学习的三个优势：无需注释、伪标签确保标签多样性、对比特征确定典型数据减少离群值，进行实验验证，并在初始查询方面明显胜过现有的主动查询策略和随机选择，取得了良好效果。

    Oct, 2022

  • 自监督语言建模的冷启动主动学习

    使用 BERT 预训练模型，通过最小化蒙版语言模型损失，实现在减少样本采样迭代和计算时间的同时，更高效地减少文本分类标注成本。

    Oct, 2020

  • 通过属性驱动的主动学习解决物品冷启动问题

    在本篇论文中，我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法，该方法基于商品属性和用户的评价历史设计了有用的用户选择标准，并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性，我们为其他未被选中的用户生成准确的评分预测。实验结果表明，我们的方法优于传统方法。

    May, 2018

  • Cold PAWS：无监督类别发现和冷启动问题

    本文提出了一种新方法，基于半监督学习、自监督学习、聚类和流形学习技术解决了冷启动或无监督选择标签问题，该方法在选择信息图像的子集进行标记时取得了良好的结果，通过我们的标签选择策略在 CIFAR10，Imagenette， DeepWeeds 和 EuroSAT 等公开数据集上进行测试，与随机采样相比，采用我们的标签选择策略使用时，监督和半监督学习策略的性能都有所提高，相比文献中的其他方法，对于所考虑的数据集，我们也获得了更好的性能。

    May, 2023

  • BaSAL：基于大小平衡的激活学习方法在 LiDAR 语义分割中的应用

    基于 BaSAL 方法，通过采用基于大小的采样和热启动，我们成功改善了初始模型的性能，实现了与在整个 SemanticKITTI 数据集上训练相媲美的表现，尽管只使用了 5% 的注释，超过了现有的主动学习方法。在 nuScenes 上，我们也与现有最先进的主动学习方法相匹配。

    Oct, 2023

  • 一个带有类平衡策略的时间序列分类的主动学习框架

    本研究探讨主动学习策略在降低时序分类任务中所需标记数据数量方面的应用，通过提出一种新的类平衡实例选择算法，有效地解决了不平衡时序数据集中的分类性能和实例选择偏差问题，并在触觉纹理识别和工业故障检测领域证明了该方法的有效性。

    May, 2024

  • 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

  • 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

  • 不平衡数据的主动类增量学习

    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。

    Aug, 2020

  • 聚类与调参：提高文本分类的冷启动性能

    本文提出一种方法，通过在预训练和微调阶段之间添加一个中间的无监督分类任务来提高文本分类任务的性能，该任务使用聚类作为中间任务，并表明这种额外的分类阶段可以显著提高性能。

    Mar, 2022