面向不平衡数据集的 minority 类导向主动学习
机器学习
2022-02-02 v1 计算机视觉与模式识别
摘要
主动学习旨在资源受限时优化数据集标注过程。大多数现有方法针对平衡数据集设计。它们的实际适用性受限，因为大多数现实生活中的数据集实际上是不平衡的。在此，我们引入一种针对不平衡数据集设计的新型主动学习方法。它偏好可能属于 minority 类的样本，以减少已标注子集的不平衡并为这些类创建更好的表示。我们还比较了主动学习的两种训练方案：(1) 深度主动学习中常用的、每次迭代使用模型微调的方案；(2) 受迁移学习启发、利用通用预训练模型并为每次迭代训练浅层分类器的方案。评估使用三个不平衡数据集运行。结果表明所提出的主动学习方法优于有竞争力的基线。同样有趣的是，它们还表明若特征可从通用数据集迁移到未标注数据集，则迁移学习训练方案优于模型微调。这最后一个结果令人惊讶，并应鼓励学界探索深度主动学习方法的的设计。
引用
@article{arxiv.2202.00390,
title = {Minority Class Oriented Active Learning for Imbalanced Datasets},
author = {Umang Aggarwal and Adrian Popescu and Céline Hudelot},
journal= {arXiv preprint arXiv:2202.00390},
year = {2022}
}