基于期望改进最大化的 CNN 主动学习
机器学习
2020-12-01 v1 人工智能
计算机视觉与模式识别
摘要
卷积神经网络（CNNs）等深度学习模型已在包括计算机视觉以及近期计算生物学在内的多个领域展现出高效性。然而，训练有效模型通常需要组装和/或标注大型数据集，这可能极其耗时或昂贵。基于池的主动学习技术有潜力缓解这些问题，其利用在有限数据上训练的模型从池中选择性查询未标注数据点，以加速学习过程。本文提出“基于 Dropout 的期望改进（Dropout-based Expected IMprOvementS，DEIMOS）”，一种灵活且计算高效的主动学习方法，查询那些预期能在代表性点样本上最大化模型改进的点。所提出的框架使我们能够维护一个捕捉模型不确定性的预测协方差矩阵，并动态更新该矩阵以在批处理模式下生成多样化的点批次。我们的主动学习结果表明，DEIMOS 在计算机视觉和基因组学的多个回归与分类任务上优于若干现有基线。
引用
@article{arxiv.2011.14015,
title = {Active Learning in CNNs via Expected Improvement Maximization},
author = {Udai G. Nagpal and David A Knowles},
journal= {arXiv preprint arXiv:2011.14015},
year = {2020}
}