开放世界中的深度主动学习
机器学习
2025-04-22 v2 人工智能
计算机视觉与模式识别
摘要
部署于开放世界场景中的机器学习模型经常遇到不熟悉的情况，在未预料到的场景中表现不佳。随着AI系统的进步并在安全关键领域得到应用，有效处理分布外（OOD）数据对于构建开放世界学习系统至关重要。在本工作中，我们引入了ALOE，一种面向开放世界环境的新型主动学习算法，旨在通过两阶段方法纳入新的OOD类别以增强模型适应能力。首先，多样性采样选择代表性样本集，随后基于能量的OOD检测优先确定可能未知类别进行标注。该策略加速了类别发现与学习，即使在标注预算受限的情况下也是如此。在三个长尾图像分类基准上的评估表明，ALOE优于传统主动学习基线，有效扩展了已知类别同时平衡了标注成本。我们的发现揭示了在提升已知类别性能与发现新类别之间的关键权衡，为开放世界机器学习的未来发展奠定了基础。
引用
@article{arxiv.2411.06353,
title = {Deep Active Learning in the Open World},
author = {Tian Xie and Jifan Zhang and Haoyue Bai and Robert Nowak},
journal= {arXiv preprint arXiv:2411.06353},
year = {2025}
}