用于在线主动半监督学习的消息传递自适应共振理论
机器学习
2021-07-13 v3 人工智能
摘要
主动学习通过仅反复查询未标记数据中最有益的样本，被广泛用于减少标注成本和训练时间。在由于存储受限或隐私问题而无法无限期存储数据的实际问题中，查询选择和模型更新应在观察到新数据样本时立即执行。各种在线主动学习方法已被研究以应对这些挑战；然而，在选择代表性查询样本以及高效更新模型而不遗忘方面存在困难。在本研究中，我们提出消息传递自适应共振理论（MPART），可在线学习输入数据的分布与拓扑。通过拓扑图上的消息传递，MPART 主动查询信息量大且具代表性的样本，并利用有标签和无标签数据持续提升分类性能。我们在基于流的 selective sampling 场景下，以可比的查询选择策略评估我们的模型，表明 MPART 显著优于竞争模型。
引用
@article{arxiv.2012.01227,
title = {Message Passing Adaptive Resonance Theory for Online Active Semi-supervised Learning},
author = {Taehyeong Kim and Injune Hwang and Hyundo Lee and Hyunseo Kim and Won-Seok Choi and Joseph J. Lim and Byoung-Tak Zhang},
journal= {arXiv preprint arXiv:2012.01227},
year = {2021}
}
备注
Accepted to ICML 2021