Nov, 2022

可扩展弱标注主动学习的改进自适应算法

PDF
TL;DR文章提出了一种名为 WL-AC 的新型算法模板，该模板可以利用低质量的弱标注器来减少查询复杂性，同时保持所需的准确度水平。通过绕过实现假设，WL-AC 适用于许多现实世界的情况，包括随机损坏的弱标签和高维度家族的区别分类器。在经验上，我们提出了一种 WL-AC 的实现，可以在保持与被动学习相同的准确度的情况下，显著降低标签数量。
发现论文，激发创造
  • 来自弱和强标注者的主动学习

    本文探讨了一种在拥有弱标注者和强标注者存在的情况下进行主动学习的算法，旨在学习一个在正确标注数据上误差较小的分类器，同时通过弱标注者减少标注者的查询次数，从而降低标注的成本。我们提出了一种主动学习算法，并建立了其统计一致性，分析了其标注复杂性，以便表明是否能够在使用强标注者的基础上节约标注成本。

    Oct, 2015

  • 面向成本和准确率的主动学习自适应标注

    提出一种通过标签噪声的泛化界限选择信息量最大的标注者，以实现在较低成本下达到更高的泛化准确性；算法在五个 UCI 数据集和一个真实的众包数据集中展示了最新的性能。

    May, 2021

  • 主动学习提升弱监督的 WeaSuL 算法

    本文介绍了一种新的机器学习辅助标注方法，即 Active WeaSuL。该方法使用专家定义的规则来估算整个数据集的概率标签，并在弱监督模型容易出错的几个点上迭代提供真实标签以优化模型性能。实验证明，Active WeaSuL 比其他方法更适用于获取标记数据困难的情况下。

    Apr, 2021

  • 主动覆盖

    该文针对主动覆盖问题，借助支持向量估计器等算法在无标签数据集上提出了在少量标签查询即可完成标记所有阳性样本的主动学习方法，并证明该方法在图像数据集等基准测试中取得了相对优于离线方法和基线算法的效果。

    Jun, 2021

  • 主动学习器的脆弱性

    在针对文本分类的活跃学习技术中，选择正确的文本表示、分类器以及评估指标是至关重要的，因为不同的因素可能会导致活跃学习技术的有效性受到限制。

    Mar, 2024

  • 通过不完美标注者进行主动学习

    研究活动学习的算法，其中标签器不仅可以返回不正确的标签，还可以放弃标记，利用放弃响应提出的算法在噪声和放弃率的自然假设下分析了其统计一致性和查询复杂度，并与下限相结合，证明在某些技术条件下，它实现了近乎最佳的查询复杂度 。

    Oct, 2016

  • 面向可计算的深度主动学习

    该研究介绍了两种用于文本分类和标记任务的技术，可以显著减少深度学习中主动学习繁重的计算资源需求，通过伪标签和蒸馏模型实现更高性能的模型训练。

    May, 2022

  • 低数据环境下公正主动学习

    在数据稀缺环境中，通过结合后验采样和公平分类子程序的创新主动学习框架，我们有效地提高了模型准确性并满足公平约束，证明了该方法在最大限度利用少量标注数据时的有效性，并对已有方法进行了改进。

    Dec, 2023

  • 深度图像分类的成本效益主动学习

    本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

    Jan, 2017

  • 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