May, 2023

使用部分标注和自训练的结构预测数据高效主动学习

PDF
TL;DR本文提出了一种基于主动学习的实用方法，利用部分注释来减少结构标签空间的注释成本，并采用自我训练来将当前模型的自动预测作为未注释子结构的伪标签，通过使用错误估计器自适应地确定部分选择比率来解决选择子结构进行注释的挑战，本文在四个结构预测任务中展示了我们部分注释和自我训练组合的效果。该方法通过公平的比较方案，考虑读取时间，降低了注释成本。
发现论文，激发创造
  • 来自部分注释的结构化学习

    本研究提出一种处理结构化输出的大规模公式，该公式基于部分注释数据进行学习，并通过 concave-convex procedure (CCCP) 进行高效求解以达到解决实际应用的目的。我们将该方法应用于可变数量可分对象的具有挑战性的跟踪问题中，并在仅使用完全注释的 25％的情况下实现与完全注释模型相媲美的性能。最后，我们通过实证比较来统一之前使用的 hinge、ramp 或 max loss 用于结构化学习的透视图。

    Jun, 2012

  • 部分还是完整，这是个问题

    对于结构性学习任务，该论文提出了在同样的监督水平下，部分标注结构可能优于完全标注结构的普遍看法，并针对三种不同的结构性学习任务比较了两种标注方案。

    Jun, 2019

  • 部分反馈下的主动学习

    提出了一种使用部分反馈进行主动学习的方法，该方法可以解决多类别注释的实际问题，并使用抽样策略选择（示例，类）对，该方法在 Tiny ImageNet 数据集上相对于 i.i.d 基线提高了 26% 的分类精度，更低的成本。

    Feb, 2018

  • 主动半监督学习的语义分割

    提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

    Mar, 2022

  • 从部分注释的数据中学习多个密集预测任务

    本研究提出了一种标签高效的方法，针对部分注释的数据（即每个图像不都有所有任务标签），在多个密集预测任务上联合学习，通过保留输入图像的高级信息，并成功利用任务关系对多任务学习进行监督学习的多任务训练程序。我们严格证明了我们的方法可以有效地利用具有未标记任务的图像，并且在三个标准基准测试中优于现有的半监督学习方法和相关方法。

    Nov, 2021

  • 减少标注工作量：自监督活跃学习相遇

    本研究针对减少标注工作的两种范式：主动学习和自学习，研究它们能否相互受益。在对象识别数据集（包括 CIFAR10、CIFAR100 和 Tiny ImageNet）上的实验证明：对于低的标注预算，主动学习对自学习没有帮助。当标注预算很高时，主动学习和自学习的组合是有益的。

    Aug, 2021

  • 零样本主动学习基于自监督学习

    提出了一种新的无关模型且无需迭代过程的主动学习方法，利用自监督学习的特征表示来进行数据注释以提高深度学习模型的泛化性能。

    Jan, 2024

  • 通过 Infimum Loss 实现部分标注的结构化预测

    本文提出了一种基于结构化预测和概念的下确界损失的统一框架，以处理一系列学习问题和损失函数中的部分标注，其中监督以包含实际标签的标签集的形式呈现，并且明确的算法可以轻松实现，并且证明了统计一致性和学习速率。实验证实所提出的方法优于常用的基准方法。

    Mar, 2020

  • 在线众包注释中不充分和模糊监督问题缓解方向

    通过众包标注系统和基于伪标签和对比学习的新方法，解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题，实现了半监督部分标签学习的最先进表现。

    Oct, 2022

  • 稀疏且噪音标注下的主动学习标签鲁棒分配

    利用未标记的样本空间，我们提出了两种新的注释统一算法，旨在解决主动学习中存在的错误数据标注问题，并通过在四个公共数据集上的实验证明该方法在评估标注者可靠性和分配实际标签方面的鲁棒性和优越性，超过了现有算法和简单的多数投票。

    Jul, 2023