基于极弱监督的新类检测与学习
机器学习
2019-11-05 v1 机器学习
摘要
在本文中，我们提出一种方法和算法，使得能够完全自主（无监督）地检测新类别，并仅遵循极简的训练 priming（仅少量标注数据样本）进行学习。此外，新的未知类别可能在后续阶段出现，所提出的 xClass 方法和算法能够成功发现这一点并从数据中自主学习。进而，特征（分类器的输入）由算法根据每类每特征的累积数据密度自动进行子选择。由此，一个高效、精简、人类可理解、自主自学习的模型（仅需极简 priming）从数据中浮现。为验证我们的方案，我们在两个具有挑战性的问题上进行了测试，包括不平衡的 Caltech-101 数据集与 iRoads 数据集。我们不仅取得了更高的精度，而且更重要的是，我们仅预先使用了单一类别（而其他方法使用了所有可用类别），并且通过极弱与弱监督生成了所用特征数量更少的具可解释性模型。
引用
@article{arxiv.1911.00616,
title = {Novelty Detection and Learning from Extremely Weak Supervision},
author = {Eduardo Soares and Plamen Angelov},
journal= {arXiv preprint arXiv:1911.00616},
year = {2019}
}