低预算主动学习的直接获取优化
机器学习
2024-02-12 v1
摘要
主动学习（AL）在将数据密集型机器学习（ML）模型集成到标注数据有限的领域方面日益受到重视。然而，当标注预算较低时，其有效性显著下降。在本文中，我们首先通过实验观察到现有AL算法在低预算设置下的性能退化，然后引入了直接获取优化（DAO），这是一种新颖的AL算法，基于期望的真实损失减少来优化样本选择。具体而言，DAO利用影响函数更新模型参数，并引入额外的获取策略以减轻损失估计中的偏差。这种方法能够更准确地估计整体误差减少，而无需大量计算或依赖标注数据。实验表明，DAO在低预算设置下有效，在七个基准上优于最先进的方法。
引用
@article{arxiv.2402.06045,
title = {Direct Acquisition Optimization for Low-Budget Active Learning},
author = {Zhuokai Zhao and Yibo Jiang and Yuxin Chen},
journal= {arXiv preprint arXiv:2402.06045},
year = {2024}
}