如何分配标签预算？在异常检测中选择主动学习和学习拒绝之间的区别

AAAIJan, 2023

如何分配标签预算？在异常检测中选择主动学习和学习拒绝之间的区别

How to Allocate your Label Budget? Choosing between Active Learning and Learning to Reject in Anomaly Detection

Lorenzo Perini, Daniele Giannuzzi, Jesse Davis

TL;DR本文提出了一种基于奖励函数的混合策略，用于决定在多轮中分配标签预算以收集主动学习标签或学习拒绝标签，以优化异常检测性能。应用于 18 个基准数据集，结果表明该策略优于基线方法。

Abstract

anomaly detection attempts at finding examples that deviate from the expected behaviour. Usually, anomaly detection is tackled from an unsupervised perspective because anomalous labels are rare and difficult to a

anomaly detection unsupervised learning active learning learning to reject label allocation

发现论文，激发创造

无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。

Jul, 2023

基于集成的主动异常检测

本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程，通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移，实现了降低假正例率且不损失检测率的目的。

Sep, 2018

标签预算约束下的深度异常检测

本文提出了一种基于理论条件的数据标记策略，并提出了一种新的半监督学习框架，可在数据标记预算约束下实现最优数据覆盖，并优于其他方法在标记预算约束条件下实现最佳半监督异常检测性能。

Feb, 2023

无监督拒绝式异常检测

本文中我们介绍了一种基于稳定度指标的模型可靠性评估方法，进而通过选择合适的阈值进行异常数据的检测与过滤，实验结果表明我们的模型优于某些基于不确定性度量的方法。

May, 2023

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

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

如何选择最适合您特定问题和预算的主动学习策略

提出了一种基于导数的方法来动态识别最适合每个预算的主动学习策略，并在各种预算和计算机视觉任务中展示其有效性。

Jun, 2023

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

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

DEAL: 图像分类的深度证据主动学习

本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

Jul, 2020