低预算主动学习的简单基线
计算机视觉与模式识别
2022-04-04 v2 机器学习
摘要
主动学习关注于选择未标注数据的子集进行标注。然而，大多数此类方法假设可以标注大量数据子集。我们感兴趣的是低预算主动学习，即仅能标注一小部分（例如 ImageNet 的 0.2%）。我们不是提出一种新的查询策略在给定初始池后迭代采样未标注数据批次，而是仅使用现成的自监督学习方法一次性学习丰富特征，然后在包括 ImageNet 在内的多种数据集上研究给定低标注预算时不同采样策略的有效性。我们表明，尽管最先进的主动学习方法在给定大标注预算时表现良好，但在低预算下简单的 K-means 聚类算法可以优于它们。我们认为该方法可用作图像分类中低预算主动学习的简单基线。代码见：https://github.com/UCDvision/low-budget-al
引用
@article{arxiv.2110.12033,
title = {A Simple Baseline for Low-Budget Active Learning},
author = {Kossar Pourahmadi and Parsa Nooralinejad and Hamed Pirsiavash},
journal= {arXiv preprint arXiv:2110.12033},
year = {2022}
}
备注
20 pages, 16 tables; additional experiments