如何通过主动学习克服半监督图像分类中的确认偏差
机器学习
2023-08-17 v1 计算机视觉与模式识别
摘要
我们需要主动学习吗？强大的深度半监督方法的兴起，令人怀疑在有限标注数据场景下主动学习的可用性。这是因为有结果表明，将半监督学习（SSL）方法与随机标注选择相结合，可以胜过现有的主动学习（AL）技术。然而，这些结果来自在成熟基准数据集上的实验，可能高估了外部有效性。现有文献缺乏关于主动半监督学习方法在真实数据场景中表现的充分研究，留下了显著的理解空白。因此，我们提出真实应用中常见的三种数据挑战：类间不平衡、类内不平衡和类间相似性。这些挑战会因确认偏差而损害 SSL 性能。我们在模拟数据挑战上结合 SSL 与 AL 进行实验，发现随机采样不能缓解确认偏差，且在某些情况下导致比监督学习更差的性能。相反，我们证明在这些真实设定中 AL 能够克服 SSL 的确认偏差。我们的结果为在常见现实挑战下结合主动与半监督学习的潜力提供了见解，这是在真实应用有限标注数据学习时构建鲁棒方法的一个有前景的方向。
引用
@article{arxiv.2308.08224,
title = {How To Overcome Confirmation Bias in Semi-Supervised Image Classification By Active Learning},
author = {Sandra Gilhuber and Rasmus Hvingelby and Mang Ling Ada Fok and Thomas Seidl},
journal= {arXiv preprint arXiv:2308.08224},
year = {2023}
}
备注
Accepted @ ECML PKDD 2023. This is the author's version of the work. The definitive Version of Record will be published in the Proceedings of ECML PKDD 2023