不完整标签多示例多标签学习中的主动学习
机器学习
2021-07-28 v2
摘要
在多示例多标签学习中，每个样本（即一个包）由多个示例组成。为了减轻标注复杂度，每个样本关联一组包级标签，而包内的示例保持未标注状态。这种设置对于表示具有多重语义的复杂对象更为方便和自然。与单示例标注相比，该方法允许在同等标注成本下标注更大的数据集。然而，对于足够大的数据集，标注所有包的成本可能变得极其高昂。主动学习采用迭代标注与重训练的方法，旨在使用少量标注样本提供合理的分类性能。据我们所知，MIML 设置下主动学习领域的现有工作寥寥无几。这些方法能提供降低标注成本的实用解决方案，但其有效性仍不明确。在本文中，我们提出了一种基于包-类对的新方法，用于 MIML 设置下的主动学习。由于包级标签的部分可用性，我们针对所提出的主动学习方法关注不完整标签 MIML 设置。我们的方法基于具有高效且精确推断的判别式图模型。对于查询过程，我们将主动学习准则调整为新的包-类对选择策略。此外，我们引入了在线随机梯度下降算法，以在每次查询后提供高效的模型更新。在基准数据集上的数值实验说明了所提方法的鲁棒性。
引用
@article{arxiv.2107.10804,
title = {Active Learning in Incomplete Label Multiple Instance Multiple Label Learning},
author = {Tam Nguyen and Raviv Raich},
journal= {arXiv preprint arXiv:2107.10804},
year = {2021}
}
备注
Machine learning, Multiple instance multiple label learning, Active learning, incomplete label learning