BAL：平衡主动学习中的多样性与新颖性
机器学习
2023-12-27 v1 计算机视觉与模式识别
摘要
主动学习的目标是在预定的标注预算内，策略性地标注数据集的子集以最大化性能。在本研究中，我们利用通过自监督学习获得的特征。我们引入了一种简单而强大的度量标准——聚类距离差 (Cluster Distance Difference)，用于识别多样化数据。随后，我们提出了一种新颖的框架，即平衡主动学习 (BAL)，该框架构建自适应子池以平衡多样化和不确定性数据。我们的方法在广泛认可的基准测试中优于所有既定的主动学习方法，提升幅度达 1.20%。此外，我们在扩展设置下评估了所提出框架的有效性，涵盖了更大和更小的标注预算。实验结果表明，当标注 80% 的样本时，当前 SOTA 方法的性能下降了 0.74%，而我们提出的 BAL 实现了与全数据集相当的性能。代码地址：https://github.com/JulietLJY/BAL。
引用
@article{arxiv.2312.15944,
title = {BAL: Balancing Diversity and Novelty for Active Learning},
author = {Jingyao Li and Pengguang Chen and Shaozuo Yu and Shu Liu and Jiaya Jia},
journal= {arXiv preprint arXiv:2312.15944},
year = {2023}
}
备注
Our paper is accepted by TPAMI