利用基于聚类的主动学习与多样性探索缓解标注数据短缺
机器学习
2022-07-08 v1 人工智能
摘要
在本文中，我们提出了一种新的基于聚类的主动学习框架，即使用基于聚类采样的主动学习（ALCS），以解决标注数据短缺的问题。ALCS 采用基于密度的聚类方法从数据中探索聚类结构，无需进行详尽的参数调整。引入了一种双聚类边界样本查询程序，以提高对高度重叠类别进行分类的学习性能。此外，我们开发了一种有效的多样性探索策略，以解决查询样本间的冗余问题。我们的实验结果验证了 ALCS 方法的有效性。
引用
@article{arxiv.2207.02964,
title = {Mitigating shortage of labeled data using clustering-based active learning with diversity exploration},
author = {Xuyang Yan and Shabnam Nazmi and Biniam Gebru and Mohd Anwar and Abdollah Homaifar and Mrinmoy Sarkar and Kishor Datta Gupta},
journal= {arXiv preprint arXiv:2207.02964},
year = {2022}
}
备注
Accepted by the ICML 2022 Workshop on Adaptive Experimental Design and Active Learning in the Real World