面向情感数字表型的主动学习探索
机器学习
2022-04-08 v2 计算机视觉与模式识别
摘要
阻碍面向人类行为的机器学习模型广泛发展的一些最严重瓶颈包括标注训练数据的匮乏以及获取高质量标签的困难。主动学习是一种利用算法基于模型不确定性与数据相似度度量来计算式地选取有用数据子集进行标注的范式。我们探索了针对自然场景计算机视觉情感数据的主动学习，由于标签 inherently 主观，这是一个尤为异构且复杂的数据空间。利用从一款面向自闭症儿童的治疗性智能手机游戏采集的游戏过程帧，我们运行了一次主动学习模拟，以游戏提示作为元数据来辅助主动学习过程。我们发现，利用游戏过程中生成的信息进行的主动学习，略优于同等数量标注帧的随机选取。接下来，我们研究了一种针对主观数据（如情感计算）且每幅图像可获取多个众包标签的情形进行主动学习的方法。利用儿童情感面部表情（CAFE）数据集，我们模拟了一个用于众包大量标签的主动学习过程，发现使用众包标签分布的熵对帧进行优先级排序，相比随机帧选取可降低分类交叉熵损失。总体而言，这些结果展示了对在噪声环境中采集的主观情感数据所进行的两种新颖主动学习方法的初步评估。
引用
@article{arxiv.2204.01915,
title = {An Exploration of Active Learning for Affective Digital Phenotyping},
author = {Peter Washington and Cezmi Mutlu and Aaron Kline and Cathy Hou and Kaitlyn Dunlap and Jack Kent and Arman Husic and Nate Stockham and Brianna Chrisman and Kelley Paskov and Jae-Yoon Jung and Dennis P. Wall},
journal= {arXiv preprint arXiv:2204.01915},
year = {2022}
}