主动单样本学习
机器学习
2017-02-23 v1
摘要
单样本学习的最新进展催生了能够从少量标注样本中学习的模型，用于被动分类与回归任务。本文将强化学习与单样本学习相结合，使模型在分类过程中能够自主决定哪些样本值得标注。我们引入了一项分类任务：图像流依次呈现，在每个时间步，模型必须决定是预测一个标签，还是付出代价以获取正确标签。我们提出了一种基于循环神经网络的动作价值函数，并展示了其学习如何以及何时请求标签的能力。通过选择奖励函数，该模型可以比纯监督任务中的同类模型获得更高的预测准确率，或者以预测准确率换取更少的标签请求。
引用
@article{arxiv.1702.06559,
title = {Active One-shot Learning},
author = {Mark Woodward and Chelsea Finn},
journal= {arXiv preprint arXiv:1702.06559},
year = {2017}
}
备注
NIPS 2016, Deep Reinforcement Learning Workshop, Barcelona, Spain. See https://cs.stanford.edu/~woodward/ for the poster and a short video description of the paper