Apr, 2023

利用基于主动学习的改进策略优化多域性能

PDF
TL;DR本篇论文介绍了一种基于主动学习的多领域性能提升框架，首先利用初始标记数据对基础模型进行训练，然后迭代地选择最具信息量的样本进行标记，以改进模型性能。该方法在图像分类、情感分析和物体识别等多领域数据集上进行了评估，并表现出超越基准方法，并在几个数据集上取得了最先进的性能。同时表明了本方法非常高效，比其他主动学习方法需要明显较少的标记样本，是一种实用且有效的多领域性能提升解决方案。
发现论文，激发创造
  • 图像分类的多领域主动学习基准测试

    多域主动学习基准展示了在大规模真实世界数据集上，传统的单域主动学习策略在多域场景中往往比随机选择效果更差。我们还引入了一个新颖的基于地理域的大规模图像数据集 CLIP-GeoYFCC，与现有基于风格的域数据集有所不同。对我们的基准的分析表明，所有的多域策略都存在显著的权衡，没有一种策略能在所有数据集或所有度量指标上表现优秀，强调了未来研究的需求。

    Dec, 2023

  • 复合主动学习：具备理论保证的多域主动学习

    该研究提出了一种名为复合主动学习（CAL）的通用方法，用于多领域主动学习（AL）中，以解决忽略不同领域之间相似性以及处理不同领域之间数据分布变化的问题，并在理论和实证结果上显示出优于现有方法的性能。

    Feb, 2024

  • 自然语言任务中的多域主动学习

    该研究对带有多个数据来源的领域转移进行了详尽的调查，发现了一些有效的方法并提出了一种新的有效方法 DAL-E，并探讨了选定的示例和域具有的特性。

    Feb, 2022

  • 多阶段主动学习提高低资源问答能力

    本文探讨了在数据稀缺的情况下，将数据增强和主动学习结合用于迁移学习任务的方法，同时研究了不同阶段的问题回答性能和人类标注的影响。实验表明，在引入人类标注的情况下，该方法可以实现在新的、专业领域中的低标注成本的问题回答系统。

    Nov, 2022

  • 走向可比较的主动学习

    提供了一种公平比较不同任务和领域中算法的主动学习框架，并提出了一种快速有效的评估算法。汇总了在 3 个主要领域（表格、图像和文本）上使用的 6 种广泛应用的算法在 7 个实际数据集和 2 个合成数据集上的实证结果，并形成了领域特定的主动学习算法排名。

    Nov, 2023

  • 多视角主动学习

    本论文提出了一种多视角主动学习方法 Co-Testing，能够在实际的领域中优于现有的方法，其中扩展了多视角框架，利用了弱视图进行更一般 / 特定概念的学习。

    Oct, 2011

  • 域对抗主动学习用于领域泛化分类

    该研究提出了一种领域对抗主动学习算法（DAAL），用于领域泛化任务中的分类任务，在减少数据资源的情况下实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。

    Mar, 2024

  • 基于扰动的双阶段多领域主动学习

    本研究提出了一种新颖的基于扰动的两阶段多域主动学习（P2S-MDAL）方法，它包括分配域的预算、建立多样性选择的区域，并进一步用于选择每个区域中最具交叉域影响力的样本。在三个现实世界数据集上进行的实验表明，与传统的 AL 策略相比，该方法具有优越的性能。

    Jun, 2023

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 基于知识驱动的主动学习

    提出一种基于领域知识的主动学习（KAL）框架，将基于规则的知识转化为逻辑约束，以唤起模型对样本的选择。实验证明，该方法在平均 F1 分数方面优于多种主动学习策略，特别是在领域知识丰富的情况下，同时也适用于物体识别任务，并且计算需求较低。

    Oct, 2021