Mar, 2024

条件信任环境下的协作主动学习

PDF
TL;DR通过合作主动学习，利用多个协作者的机器学习能力，不泄露现有数据和模型，而是共享新领域的预测结果和新获取的标签，以解决隐私和安全问题、提高成本效益和资源利用效率，促进模型性能，并为进一步研究合作主动学习及其在各个领域的实际应用提供了基础。
collaborative active learningprivacy and securitycost-effectivenessresource efficiencyauc scores
发现论文，激发创造
  • 主动学习中的激励合作

    在协作式主动学习中，我们引入了一种创新的奖励机制协作框架，旨在最小化标签复杂性的同时使理性代理获得其数据集的标签。我们提供了实现严格个体理性 (IR) 并在标签复杂性方面与最佳已知可行近似算法相媲美的协作协议。

    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

  • 主动学习：问题设置和最新发展

    本文介绍了有监督学习中获取标记数据的高成本和获取大量未标记数据的轻松方法，以及通过自适应选择标记样本来获得高精度预测模型的主要问题设置和最近的研究趋势。重点介绍了选择从数据中进行标记的学习获取函数的研究、关于主动学习算法的理论工作和顺序数据获取的停止标准。介绍了材料开发和测量的应用示例。

    Dec, 2020

  • 计算高效的主动学习

    通过简单而有效的方法不仅可以降低主动学习过程的计算成本，还能保持模型性能，从而优化大规模数据集的标注效率。

    Jan, 2024

  • 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

  • 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

  • 利用基于主动学习的改进策略优化多域性能

    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。

    Apr, 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

  • 主动学习的边际效益：自我监督是否自欺欺人？

    本研究提供了一个将自我监督预训练、主动学习和一致性正则化自我训练整合的新算法框架，并在 CIFAR10 和 CIFAR100 数据集上进行了实验，揭示了自我监督预训练在半监督学习中的重要性，被 S4L 技术所替代的主动学习的价值。

    Nov, 2020

  • 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