Feb, 2024

双向基于不确定性的主动学习用于开放集标注

PDF
TL;DR提出了一种双向不确定性主动学习（Bual）框架，通过将未知类别的样本推向具有高置信度预测的区域，并采用同时估计正负学习带来的不确定性的双向不确定性采样策略来实现从已知类别中获取高信息量样本，并在多个具有不同开放性的数据集上进行了广泛实验证明，BUAL 的性能达到了最先进水平。
发现论文，激发创造
  • 熵驱动的开放集主动学习

    该研究提出了一种基于熵的开放集主动学习（EOAL）框架，通过有效利用已知和未知分布，从未标记的数据中选择信息量较高的样本，并在 CIFAR-10、CIFAR-100 和 TinyImageNet 数据集上表现优于现有的最先进方法。

    Dec, 2023

  • 自然语言处理的深度贝叶斯主动学习：一项大规模实证研究结果

    本篇论文就深度主动学习进行了大规模实证研究，针对多种任务和数据集、模型以及获取函数，证实贝叶斯主动学习方法在许多方面都优于传统的不确定性采样方法。

    Aug, 2018

  • 突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用

    通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

    Jan, 2024

  • 正类和未标注数据中的主动学习

    提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

    Feb, 2016

  • 基于贝叶斯主动学习的生产系统研究与可重用库

    本研究分析了当前主要的主动式学习技术中存在的主要缺点，并提出了缓解这些缺点的方法，包括使用部分不确定性采样和更大的查询大小加速主动式学习循环，并展示了开源贝叶斯主动式学习库 BaaL。

    Jun, 2020

  • 基于扰动的主动学习问答

    利用主动学习训练策略可以建立一个问题回答模型，以更小的注释成本实现，该策略选择最具信息量的未标记训练数据以有效地更新模型，该研究提出一种基于扰动的主动学习采集策略，并证明其比现有常用策略更有效。

    Nov, 2023

  • 基于不确定度采样、注释冗余限制和数据初始化的脑肿瘤分割主动学习

    本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。

    Feb, 2023

  • 使用神经网络实现鲁棒性和可重现的主动学习

    本研究旨在证明在相同实验条件下，不同类型的主动学习算法（基于不确定性、多样性和委员会的），与随机采样基准相比，产生的收益不一致，这种性能度量的差异性可能导致结果与以前报告的结果不一致，强正则化下，主动学习方法在各种实验条件下显示出微小或无优势，并提出一套关于如何评估主动学习算法的建议，以确保结果在实验条件变化下具有重复性和稳健性。

    Feb, 2020

  • 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

  • 标注与否：用于神经机器翻译的混合主动学习

    提出了一种混合主动学习策略 HUDS，用于神经机器翻译中的领域适应，通过结合不确定性和多样性来选择待注释的句子，实验证明 HUDS 比其他强基线方法更好地提升了性能。

    Mar, 2024