ICCVDec, 2022

基于损失估计的主动学习中的时间输出差异

PDF
TL;DR该论文提出了一种基于 TOD 测量方法的深度主动学习方法，通过查询 oracle 注释含有高损失的未标记样本以降低数据注释成本，并在图像分类和语义分割任务上展示出卓越的性能。
发现论文，激发创造
  • 具有时间输出差异的半监督主动学习

    本文提出了一种利用时间输出差异度来估计样本损失的深度主动学习方法，该方法可以从未标注的数据中选择最具信息量的样本，并且在图像分类和语义分割任务上相较于最先进的主动学习方法取得了更好的性能。

    Jul, 2021

  • 主动学习中的学习损失

    本文提出了一种新颖的主动学习方法，使用一个小的参数模块 “loss prediction module” 来预测未标注数据的损失值，并基于此向其他特征不确定的数据请求人类进行标注，可以适用于深度神经网络的所有任务，结果表明该方法在图像分类、物体检测和人体姿态估计等任务中优于之前的方法。

    May, 2019

  • 深度目标检测主动学习

    本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。

    Sep, 2018

  • 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

  • 目标检测中嘈杂预测标注的深度主动学习

    减少标注数量并保持算法性能，通过主动学习算法在活动数据集中进行标签审核，可以提高模型性能，尤其在与不确定性查询策略相结合时。

    Sep, 2023

  • 任务驱动对话中基础知识查询的无监督学习

    本文提出了如何在没有知识库查询注释的情况下，使用强化学习和管道方法来训练任务导向型对话系统，并解决了相关问题，并通过分析强化学习算法的相关性和差异，突出了训练任务导向型对话系统的挑战。

    Apr, 2020

  • 通过在线差异距离学习实现无任务持续学习

    本文提出了一种新的理论分析框架，给出了基于任务自由连续学习中访问样本与整个信息之间差异距离的归纳界限，并提出了使用动态组件扩展机制的新方法 - ODDL，以保证具有最佳性能的紧凑网络结构，同时提出了一种基于差异度量的样本选择方法，通过提高性能证明了该方法的卓越表现。

    Oct, 2022

  • 基于预设文本的主动学习

    该研究提出了一种针对深度神经网络的主动学习技术，使用一个单独的网络对样本进行评分选择，提高模型对错标记的容忍度，同时通过自监督和多任务学习等方法缓解数据不足的问题。

    Oct, 2020

  • 促进情境学习与指示在端到端任务导向型对话系统中的协同作用

    利用 SyncTOD 改进了与任务有关的对话系统，通过在有限的数据情况下训练具有辅助模型和启示的大型语言模型，实现了在低数据设置中与 LLM 基准模型和 SoTA 模型相比的卓越性能。

    May, 2024

  • 具备对现实数据池进行对比学习的深度主动学习

    本研究提出了一种新的主动学习方法，通过对比学习在特征空间中选择集群的样本，从标记和未标记的数据池中获取信息，以获取优先的显着内部分布样本，并证明该方法相对于现有的主动学习方法需要更少的标注预算才能达到相同的准确性水平。

    Mar, 2023