面向主动学习的带间隔惩罚的最近邻分类器
信息检索
2022-10-06 v3 机器学习
摘要
随着深度学习成为自然语言处理领域的主流，对合适主动学习方法的迫切需求前所未有。基于最近邻分类器的主动学习（AL）方法被提出并展现出优越效果。然而，现有最近邻分类器不适合对互斥类别进行分类，因为最近邻分类器无法保证类间差异。因此，间隔区域中的信息性样本无法被发现，AL 性能受损。为此，我们提出一种新颖的面向主动学习的带间隔惩罚的最近邻分类器（NCMAL）。首先，在类别间加入强制性间隔惩罚，从而同时保证类间差异与类内紧致性。其次，提出一种新颖的样本选择策略以发现间隔区域内的信息性样本。为证明方法有效性，我们在多个数据集上与其他最先进方法进行了广泛实验。实验结果表明，我们的方法以比所有基线方法更少的标注样本取得了更好的结果。
引用
@article{arxiv.2203.09174,
title = {Nearest Neighbor Classifier with Margin Penalty for Active Learning},
author = {Yuan Cao and Zhiqiao Gao and Jie Hu and Mingchuan Yang and Jinpeng Chen},
journal= {arXiv preprint arXiv:2203.09174},
year = {2022}
}