主动学习中的实例级监督水平优化
计算机视觉与模式识别
2025-03-11 v1 机器学习
摘要
主动学习（AL）是一种标签高效的机器学习范式，侧重于选择性标注高价值实例以最大化学习效率。通过引入弱监督可以进一步提升其有效性，弱监督使用粗略但低成本的标注来代替精确（即完全）但昂贵的标注。我们引入了一种新颖的 AL 框架，即实例级监督水平优化（ISO），该框架不仅选择要标注的实例，还在固定的标注预算内确定其最优标注水平。其优化准则利用每个实例的价值成本比（VCR），同时确保所选实例之间的多样性。在分类实验中，ISO 始终优于传统的 AL 方法，并超越了一种结合完全监督和弱监督的最先进 AL 方法，以更低的总成本实现了更高的准确率。代码可在 https://github.com/matsuo-shinnosuke/ISOAL 获取。
引用
@article{arxiv.2503.06517,
title = {Instance-wise Supervision-level Optimization in Active Learning},
author = {Shinnosuke Matsuo and Riku Togashi and Ryoma Bise and Seiichi Uchida and Masahiro Nomura},
journal= {arXiv preprint arXiv:2503.06517},
year = {2025}
}
备注
Accepted at CVPR2025