ConBatch-BAL：预算约束下的批量贝叶斯主动学习
机器学习
2025-07-08 v1 计算机视觉与模式识别
摘要
数据点间不同的标注成本和预算约束可能阻碍主动学习策略在实际应用中的采用。本文介绍了两种用于约束条件下批量获取的贝叶斯主动学习策略（ConBatch-BAL），一种基于动态阈值，另一种采用贪婪获取。两种策略均通过贝叶斯神经网络计算的不确定性度量来选择样本。动态阈值策略在批次内重新分配预算，而贪婪策略在每一步选择排名最高的样本，受限于剩余预算。针对数据标注成本高昂且存在地理空间约束的场景，我们还发布了两个新的真实世界数据集，包含地理定位的建筑物航拍图像，并标注了能效或类型类别。ConBatch-BAL策略在这些数据集上，在各种预算和成本场景下，与随机获取基线进行了基准测试。结果表明，所开发的ConBatch-BAL策略能够减少真实环境中的主动学习迭代次数和数据获取成本，甚至优于无约束的基线解决方案。
引用
@article{arxiv.2507.04929,
title = {ConBatch-BAL: Batch Bayesian Active Learning under Budget Constraints},
author = {Pablo G. Morato and Charalampos P. Andriotis and Seyran Khademi},
journal= {arXiv preprint arXiv:2507.04929},
year = {2025}
}