熵开放集主动学习
计算机视觉与模式识别
2023-12-22 v1
摘要
主动学习 (Active Learning, AL) 旨在从未标记数据池中选择信息量最大的样本进行标注，以提升深度模型的性能。尽管在封闭集设置中表现优异，但大多数 AL 方法在包含未知类别的真实世界场景中往往失效。近期，少数研究尝试解决开放集设置下的 AL 问题，但这些方法更侧重于选择已知样本，未能有效利用 AL 轮次中获得的未知样本。本文提出了一种熵开放集 AL (EOAL) 框架，该框架有效利用已知和未知分布，在 AL 轮次中选择信息量大的样本。具体而言，我们的方法采用两种不同的熵分数：一种衡量样本相对于已知类别分布的不确定性，另一种衡量样本相对于未知类别分布的不确定性。通过利用这两个熵分数，我们有效地从未标记数据中分离出已知和未知样本，从而实现更好的采样。大量实验表明，所提方法在 CIFAR-10、CIFAR-100 和 TinyImageNet 数据集上优于现有的最先进 (SOTA) 方法。代码地址：\url{https://github.com/bardisafa/EOAL}。
引用
@article{arxiv.2312.14126,
title = {Entropic Open-set Active Learning},
author = {Bardia Safaei and Vibashan VS and Celso M. de Melo and Vishal M. Patel},
journal= {arXiv preprint arXiv:2312.14126},
year = {2023}
}
备注
Accepted in AAAI 2024