Meta-Query-Net：解决开放集主动学习中的纯度-信息量困境
机器学习
2023-01-13 v3
摘要
待标注的无标签数据样本不可避免地包含开放集噪声。少数主动学习研究已尝试通过过滤噪声样本来处理该开放集噪声以进行样本选择。然而，由于关注查询集中样本的纯度会导致忽视样本的信息量，纯度与信息量的最佳平衡仍是一个重要问题。本文中，为解决开放集主动学习中的纯度-信息量困境，我们提出一种新颖的 Meta-Query-Net（MQ-Net），其自适应地寻找两因素之间的最佳平衡。具体而言，利用主动学习的多轮特性，我们在无额外验证集的条件下使用查询集训练 MQ-Net。此外，MQ-Net 通过一种新颖的天际线正则化有效捕获无标签样本之间的明确支配关系。在多个开放集主动学习场景上的大量实验表明，所提 MQ-Net 相比最先进方法在准确率上实现了 20.14% 的提升。
引用
@article{arxiv.2210.07805,
title = {Meta-Query-Net: Resolving Purity-Informativeness Dilemma in Open-set Active Learning},
author = {Dongmin Park and Yooju Shin and Jihwan Bang and Youngjun Lee and Hwanjun Song and Jae-Gil Lee},
journal= {arXiv preprint arXiv:2210.07805},
year = {2023}
}
备注
published in NeurIPS 2022