少样本学习中人机回路系统的实例选择机制
机器学习
2022-07-15 v1
摘要
商业分析与机器学习已成为各行业不可或缺的成功要素——其弊端在于数据收集与标注成本高昂。少样本学习(few-shot learning)应对了这一挑战，通过用极少标注数据学习新类别来降低数据收集与标注成本。本文设计了一个用于少样本学习的人机回路(human-in-the-loop, HITL)系统，并分析了可用于为预测结果不确定的实例获取人类专家知识的广泛机制。我们表明，在可忽略的标注工作量下，获取人类专家知识能显著加速少样本模型的性能。我们在计算机视觉的基准数据集和真实世界数据集上通过各种实验验证了我们的发现。我们进一步展示了人机回路系统用于少样本学习的成本效益。总体而言，我们的工作旨在以更低的成本支持研究者和从业者将机器学习模型有效适配到新类别。
引用
@article{arxiv.2207.06835,
title = {Instance Selection Mechanisms for Human-in-the-Loop Systems in Few-Shot Learning},
author = {Johannes Jakubik and Benedikt Blumenstiel and Michael Vössing and Patrick Hemmer},
journal= {arXiv preprint arXiv:2207.06835},
year = {2022}
}
备注
International Conference on Wirtschaftsinformatik, 14 pages