深度主动学习：现实检验
机器学习
2024-03-25 v1 人工智能
计算机视觉与模式识别
摘要
我们对最先进的深度主动学习方法进行了全面评估。令人惊讶的是，在通用设置下，没有任何单模型方法能够决定性地优于基于熵的主动学习，有些甚至不如随机采样。我们深入探讨了初始预算、预算步长和预训练的影响等常被忽视的方面，揭示了它们在取得更优结果中的重要性。此外，我们将评估扩展到其他任务，探索了主动学习与半监督学习以及目标检测相结合的有效性。我们的实验为未来的主动学习研究提供了有价值的见解和具体建议。通过揭示当前方法的局限性并理解不同实验设置的影响，我们旨在启发在标注预算有限的真实场景中更高效地训练深度学习模型。这项工作有助于提升主动学习在深度学习中的有效性，并使研究人员在将主动学习应用于其任务时能够做出明智的决策。
引用
@article{arxiv.2403.14800,
title = {Deep Active Learning: A Reality Check},
author = {Edrina Gashi and Jiankang Deng and Ismail Elezi},
journal= {arXiv preprint arXiv:2403.14800},
year = {2024}
}