用于主动学习的影响选择
机器学习
2021-08-24 v1 计算机视觉与模式识别
摘要
现有主动学习方法基于不同的任务特定或模型特定准则,通过评估样本的不确定性或其对标注数据集多样性的影响来选择样本。本文提出用于主动学习的影响选择(ISAL),其选择能为模型性能提供最正向影响的未标注样本。为获得主动学习场景下未标注样本的影响,我们设计了未训练未标注样本影响计算(UUIC)来估计未标注样本的期望梯度,并据此计算其影响。为证明UUIC的有效性,我们提供了理论与实验分析。由于UUIC仅依赖于模型梯度(可从任意神经网络轻易获得),我们的主动学习算法是任务无关且模型无关的。ISAL在不同数据集的不同任务的各种主动学习设定中均达到最先进性能。与先前方法相比,我们的方法在CIFAR10、VOC2012和COCO上分别至少降低标注成本12%、13%和16%。
引用
@article{arxiv.2108.09331,
title = {Influence Selection for Active Learning},
author = {Zhuoming Liu and Hao Ding and Huaping Zhong and Weijia Li and Jifeng Dai and Conghui He},
journal= {arXiv preprint arXiv:2108.09331},
year = {2021}
}
备注
ICCV2021 accepted paper