利用不确定性缩放距离改进贪心核心集配置的主动学习
机器学习
2022-02-10 v1
摘要
我们将核心集算法的感知距离按不确定性因子进行缩放,并搜寻低置信度配置,在 CIFAR10/100 与 SVHN 图像分类中发现样本效率显著提升,尤其在较大采集规模下。我们展示了所做修改的必要性,并解释了该改进源于在模型不确定性与误分类关系假设下核心集损失收敛的概率性二次加速。
引用
@article{arxiv.2202.04251,
title = {Improving greedy core-set configurations for active learning with uncertainty-scaled distances},
author = {Yuchen Li and Frank Rudzicz},
journal= {arXiv preprint arXiv:2202.04251},
year = {2022}
}