- DCoM: 为所有学习者提供的主动学习
介绍了 Dynamic Coverage & Margin mix (DCoM) 作为一种新型的主动学习方法,通过理论分析和实证评估展示了 DCoM 在不同预算约束条件下克服冷启动问题并持续提升结果,在低预算和高预算环境中取得了最先进的性能 - 利用多光谱卫星影像和类别模糊指数改善深度主动学习在洪水淹没地图中的可解释性
利用可解释的深度主动学习框架 (IDAL-FIM),通过多光谱卫星图像的类别模糊性来解释洪水淹没图绘制中的深度主动学习的操作行为和预测不确定性。
- 快速捕鱼:高效可扩展的深度主动图像分类的 BAIT 逼近
该研究论文介绍了两种方法来提高 BAIT 在计算效率和可伸缩性方面的性能,通过近似 Fisher 信息显著减少时间复杂度,从而使其在包括 ImageNet 在内的大规模数据集上高效使用,并提供了一个开源工具箱来实现最新的主动学习策略。
- ProtoAL: 面向医学成像的可解释深度主动学习与原型
通过将可解释的深度学习模型集成到深度主动学习框架中,ProtoAL 方法旨在解决医学图像领域中当前解释性和数据需求方面的挑战,提高 DL 模型在医学领域中的实际可用性,并为数据稀缺情况下的学习提供合适的解决方案。
- 深度主动学习:现实检验
通过全面评估当前最先进的深度主动学习方法,我们的研究发现在一般情况下没有单一模型的方法能显著超越基于熵的主动学习方法,甚至一些方法还不如随机抽样。我们深入研究了常常被忽视的方面,如初始预算、预算递增步长和预训练的影响,并揭示了它们在实现卓越 - AAAI深度主动学习中利用 Beta 评分的多标签文本分类
本研究介绍了一种新颖的深度主动学习策略,利用期望损失减少框架中的 Beta 系列合适评分规则来解决自然语言处理范围内多标签文本分类的挑战。通过计算预期分数的增加量,并将其转化为样本向量表示,该方法在各种架构和数据集情景中通常胜过传统的获取技 - 查询策略基准测试:走向未来的深度主动学习
本研究对深度主动学习(DAL)的查询策略进行了基准测试,以减少注释成本。通过开发标准化的实验设置,研究了各种查询策略在六个数据集上的有效性,并使用完全训练的模型进行验证实验,探究了这些方法对这六个数据集的有效性。
- 高准确率和节省成本的主动学习 3D WD-UNet 用于气道分割
我们提出了一种新颖的深度主动学习模型 - 3D Wasserstein 鉴别 UNet(WD-UNet),用于减少医学 3D 计算机断层扫描(CT)分割的注释工作量。我们的方法可以嵌入不同的主动学习策略和不同的网络结构,通过使用不确定性度量 - 主动鸟声嵌入:基于 Transformer 的端到端鸟声监测
我们提出将自我监督(SSL)和深度主动学习(DAL)结合起来,转向端到端学习进行鸟类声音监测。利用 Transformer 模型,我们旨在绕过传统的频谱图转换,实现直接的原始音频处理。通过 SSL,ActiveBird2Vec 将生成高质量 - DADO -- 深度主动设计优化的低成本选择策略
应用深度主动学习于设计优化,通过两种自我优化的选择策略有效降低计算成本,并在流体力学领域验证了方法的有效性。
- 使用内点和外点进行半监督主动学习的训练集合
为了在存在异常样本的情况下进行深度主动学习,本文介绍了一种方法,该方法利用了三个高度协同的组成部分:与内点和异常点的联合分类器训练、通过伪标记进行半监督学习以及模型集成。通过联合训练过程启用半监督,我们观察到分类器准确度显著提高,并使用所有 - KDD使用 Transformers 进行深度主动学习的基准测试 ActiveGLAE
提出了 ActiveGLAE benchmark 作为评估 DAL 的综合数据集合和评估指南,并介绍了当前使用 Transformer-based 语言模型的 DAL 实践中存在的三个关键挑战 —— 数据集选择,模型培训和 DAL 设置,并 - 深度主动学习在图像分类中的有效性实证研究
本研究对 19 种不同的 DAL 方法在统一设置下进行评估,发现大多数 SAL 方法不能比随机选择获得更高的准确度,相较于纯 SAL 方法,半监督训练带来显著的性能提升,尤其是在数据丰富的情况下进行数据选择可以实现显著和一致的性能提升,建议 - 透过覆盖镜头实现主动学习
通过覆盖方法,基于深度主动学习的 ProbCover 算法在低预算情况下,利用表征学习和自监督学习的最新进展进行子集选择,从而最大程度地提高了覆盖概率,进而在图像识别基准测试中显示出比现有方法更好的性能,特别是在半监督设置下。
- 深度主动学习的比较调查
研究 DAL 的不同方法,提出 DeepAL+ 工具包,并通过分类实验评估 DAL 方法的性能效果,提供更好的数据标注方法以提高模型性能。
- ICCV具有时间输出差异的半监督主动学习
本文提出了一种利用时间输出差异度来估计样本损失的深度主动学习方法,该方法可以从未标注的数据中选择最具信息量的样本,并且在图像分类和语义分割任务上相较于最先进的主动学习方法取得了更好的性能。
- 深度主动学习综述
这篇文章探讨了深度主动学习的现状和未来发展方向,介绍了目前现有的挖掘数据特征的多种方法,并且对 “深度主动学习” 进行了定义和系统梳理。
- 深度主动学习破除幻觉
该研究旨在评估目前基于最新学习方法下的图像分类的主动学习策略的有效性,并且在更实际的情况下验证了选择语义分割的方法,其提出了一种更合适的评估协议。