面向图像数据的深度贝叶斯主动学习
机器学习
2017-03-09 v1 计算机视觉与模式识别
机器学习
摘要
尽管主动学习构成了机器学习的重要支柱，但深度学习工具在其中并不普遍。在主动学习设定中使用深度学习会带来几个困难。首先，主动学习 (AL) 方法通常依赖于能够从少量数据中学习并更新模型。而另一方面，深度学习的最新进展因其对大量数据的依赖而众所周知。其次，许多 AL 采集函数依赖于模型不确定性，然而深度学习方法很少能表示此类模型不确定性。在本文中，我们以实用的方式将贝叶斯深度学习的最新进展结合到主动学习框架中。我们为高维数据开发了一个主动学习框架，这是一项迄今为止极具挑战性的任务，现有文献非常稀少。利用 Bayesian 卷积神经网络等专用模型，我们用图像数据展示了我们的主动学习技术，在现有的主动学习方法上取得了显著改进。我们在 MNIST 数据集以及从病灶图像进行皮肤癌诊断 (ISIC2016 任务) 上对此进行了演示。
引用
@article{arxiv.1703.02910,
title = {Deep Bayesian Active Learning with Image Data},
author = {Yarin Gal and Riashat Islam and Zoubin Ghahramani},
journal= {arXiv preprint arXiv:1703.02910},
year = {2017}
}