简单问题的主动学习
该文针对主动覆盖问题,借助支持向量估计器等算法在无标签数据集上提出了在少量标签查询即可完成标记所有阳性样本的主动学习方法,并证明该方法在图像数据集等基准测试中取得了相对优于离线方法和基线算法的效果。
Jun, 2021
本文探讨了一种在拥有弱标注者和强标注者存在的情况下进行主动学习的算法,旨在学习一个在正确标注数据上误差较小的分类器,同时通过弱标注者减少标注者的查询次数,从而降低标注的成本。我们提出了一种主动学习算法,并建立了其统计一致性,分析了其标注复杂性,以便表明是否能够在使用强标注者的基础上节约标注成本。
Oct, 2015
该论文提出了一种新的语义分割主动学习方法,通过新的注释查询设计获取信息丰富的局部图像区域,使用多类别标注策略进行训练,解决了类别不确定性问题,最终在 Cityscapes 和 PASCAL VOC 2012 数据集上取得了优越的性能并降低了注释成本。
Sep, 2023
本文是一项关于视觉问答中主动学习的实证研究,聚焦于使用深度 VQA 模型从一个池中选择有信息量的问题 - 图像对,通过与贝叶斯神经网络框架下快速有效的目标驱动主动学习评分函数,最大限度地提高性能,针对三种不同的主动学习方法进行研究评估,结果表明,本文提出的目标驱动评分函数表现最佳。
Nov, 2017
该文提出了一种通过查询合成主动学习线性分类器的通用框架,该框架称为维耦合(DC),并证明了该方法对于噪声具有弹性,避免了维度诅咒,并且在查询复杂度方面接近最优算法,具有比现有方法更好的性能。
Mar, 2016
该研究通过各种噪声模型,建立了关于利用一般假设类进行主动学习的最小极大标签复杂性的无分布上限和下限。结果表明,利用 VC 类进行主动学习的最小极大标签复杂性始终比被动学习的复杂性小。在噪声高的情况下,给定 VC 维数的所有主动学习问题都具有大致相同的最小极大标签复杂度,而在噪声低的情况下,标签复杂性可以用一个称为「星号数」的简单组合复杂度衡量。
Oct, 2014
本研究中,我们解决了 Bayesian 主动学习和实验设计中的问题,通过选择测试来减少有关一组假设的不确定性,并开发了 HEC 算法来帮助我们尽快将不确定性减少到单一决策区域。该算法基于计算完整的对称多项式子集的有效实施,并在两个实际应用中得到了验证:近似基于比较的学习和使用机器人手臂的主动定位。
Feb, 2014
本文提出了一种对标准主动学习模型进行延伸的模型,其中允许一种更一般类型的查询,即类条件查询。本文研究了这样的查询在两种已知噪声模型下的表现,给出了对于一般性不可知设置和有界噪声模型下的查询量的近乎严格的上下界,并表明我们的方法可以针对(未知的)噪声率进行自适应调整,而只有忽略不计的查询复杂度损失。
Nov, 2011