一轮主动学习
机器学习
2021-09-20 v2
摘要
本文开创性研究一轮主动学习，其目标是在仅利用初始已标注数据信息的前提下，选出经标注后能使模型性能最高的一组未标注数据点。将现有数据选择准则直接用于一轮设定所面临的挑战是：在可用标注数据有限时，它们并不能指示模型性能。我们通过显式建模模型性能对数据集的依赖性来应对该挑战。具体地，我们提出 DULO，一个面向一轮主动学习的数据驱动框架，其中我们学习一个模型来预测给定数据集上的模型性能，进而利用该模型指导未标注数据的选择。我们的结果表明，在一轮设定下的多个主动学习基准上，DULO 取得了最先进的 (SOTA) 性能。
引用
@article{arxiv.2104.11843,
title = {One-Round Active Learning},
author = {Tianhao Wang and Si Chen and Ruoxi Jia},
journal= {arXiv preprint arXiv:2104.11843},
year = {2021}
}