基于 Wasserstein 距离的低预算主动学习：一种整数规划方法
机器学习
2023-03-08 v4 最优化与控制
摘要
主动学习是通过从未标记数据池中选择核心子集进行标记，以有限标记数据训练模型的过程。深度学习中数据集的大规模迫使多数样本选择策略采用高效启发式方法。本文引入一个整数优化问题，用于选择最小化从未标记池出发的离散 Wasserstein 距离的核心集。我们证明该问题可用广义 Benders 分解算法有效求解。我们的策略利用通过对未标记池进行无监督学习可获得的高质量潜在特征。在多个数据集上的数值结果表明，我们的优化方法与基线具有竞争力，并在标记数据少于数据集百分之一的低预算情形下尤其优于它们。
引用
@article{arxiv.2106.02968,
title = {Low Budget Active Learning via Wasserstein Distance: An Integer Programming Approach},
author = {Rafid Mahmood and Sanja Fidler and Marc T. Law},
journal= {arXiv preprint arXiv:2106.02968},
year = {2023}
}