论提高深度主动学习效果的形式化验证方法
机器学习
2025-12-17 v1 计算机科学中的逻辑
摘要
深度主动学习 (DAL) 旨在通过优先选择最具信息量的未标记样本进行标注，以降低神经网络训练的标注成本。除选择待标注样本外，若干 DAL 方法进一步通过引入无需额外人工标注的合成输入来提升数据效率。本文探讨了通过引入违反鲁棒性约束的对抗样本来提高 DAL 性能的机制。我们表明，由形式化验证生成的对抗样本的贡献显著高于标准梯度攻击生成的样本。我们将该扩展应用于多种现代 DAL 技术，亦提出一种新技术，并在多个标准基准上显示其可显著提升模型的泛化能力。
引用
@article{arxiv.2512.14170,
title = {On Improving Deep Active Learning with Formal Verification},
author = {Jonathan Spiegelman and Guy Amir and Guy Katz},
journal= {arXiv preprint arXiv:2512.14170},
year = {2025}
}