MCDAL：用于主动学习的最大分类器差异
计算机视觉与模式识别
2022-02-15 v2 人工智能
机器学习
摘要
近期最先进的主动学习方法大多利用生成对抗网络（GAN）进行样本获取；然而，众所周知 GAN 通常存在不稳定性以及对超参数的敏感性。与这些方法相反，我们在本文中提出了一种新颖的主动学习框架，我们称之为用于主动学习的最大分类器差异（MCDAL），它利用多个分类器之间的预测差异。具体而言，我们利用两个辅助分类层，通过最大化它们之间的差异来学习更紧致的决策边界。直观上，辅助分类层预测中的差异表明了预测中的不确定性。在这方面，我们提出了一种新颖的方法，将分类器差异用于主动学习的获取函数。我们还提供了我们的想法与现有基于 GAN 的主动学习方法及领域自适应框架之间关系的解释。此外，我们实证展示了我们方法的效用，在主动学习设置下的多个图像分类和语义分割数据集上，我们方法的性能超越了最先进的方法。
引用
@article{arxiv.2107.11049,
title = {MCDAL: Maximum Classifier Discrepancy for Active Learning},
author = {Jae Won Cho and Dong-Jin Kim and Yunjae Jung and In So Kweon},
journal= {arXiv preprint arXiv:2107.11049},
year = {2022}
}
备注
11 pages, Accepted to IEEE-TNNLS