卷积神经网络的主动学习：一种核心集方法

卷积神经网络（CNN）已通过一种通用方案成功应用于许多识别与学习任务：在非常大的有监督样本数据集上训练深度模型。然而，这种方法在实践中相当受限，因为收集大量带标注图像非常昂贵。缓解此问题的一种方法是提出从大量图像集合中智能选择待标注图像的策略（即主动学习）。我们的经验研究表明，文献中的许多主动学习启发式方法在批量设置下应用于 CNN 时并不有效。受这些局限性的启发，我们将主动学习问题定义为核心集选择，即选择一组点，使得在所选子集上学习的模型对剩余数据点具有竞争力。我们进一步给出了一个理论结果，利用数据点的几何特性来刻画任何所选子集的性能。作为一种主动学习算法，我们选择根据我们的刻画预期会产生最佳结果的子集。实验表明，所提出的方法在图像分类实验中大幅优于现有方法。