面向不平衡数据集的深度主动学习算法选择
机器学习
2023-12-19 v3 人工智能
计算机视觉与模式识别
摘要
标注效率在深度学习应用中已成为日益重要的目标。主动学习旨在减少训练深度网络所需的标注样本数量，但主动学习算法的经验性能在不同数据集与应用间差异显著。难以提前预知哪种主动学习策略在给定应用中表现良好或最优。为此，我们提出首个面向深度主动学习的自适应算法选择策略。对于任意未标注数据集，我们的（元）算法 TAILOR（Thompson 主动学习算法选择）迭代且自适应地从一组候选主动学习算法中择优。TAILOR 采用旨在收集类别均衡样本的新颖奖励函数。在多类与多标签应用中的大量实验证明了 TAILOR 在取得与最佳候选算法相当或更优精度方面的有效性。我们对 TAILOR 的实现已开源：https://github.com/jifanz/TAILOR。
引用
@article{arxiv.2302.07317,
title = {Algorithm Selection for Deep Active Learning with Imbalanced Datasets},
author = {Jifan Zhang and Shuai Shao and Saurabh Verma and Robert Nowak},
journal= {arXiv preprint arXiv:2302.07317},
year = {2023}
}