面向主动开集标注的贝叶斯不确定性与阿尔派尔不确定性再思考：基于能量的模型
计算机视觉与模式识别
2025-03-17 v2 人工智能
摘要
主动学习通过迭代从大规模未标注候选样本中查询最具信息性的样本进行模型训练，面临开集类别的显著挑战。现有方法要么优先查询可能属于已知类别的样本（表明低贝叶斯不确定性），要么关注预测高度不确定的样本（反映高阿尔派尔不确定性）。然而，两者均表现次优：低贝叶斯不确定性对应有限有用信息，闭集阿尔派尔不确定性指标对未知类别样本意义不大。本文提出能量-based主动开集标注(EAOA)框架，有效整合贝叶斯不确定性与阿尔派尔不确定性以实现卓越性能。EAOA包含(C+1)类别检测器和目标分类器，集成针对检测器的能量-based贝叶斯不确定性度量与基于边际的能量损失，以及针对目标分类器的能量-based阿尔派尔不确定性度量。另一个关键组件是面向目标的自适应抽样策略：首先通过低贝叶斯不确定性得分构建较小的候选集以确保闭集特性，使阿尔派尔不确定性指标具有意义；随后查询高阿尔派尔不确定性得分的样本构成最终查询集，并自适应调整候选集规模。大量实验表明，EAOA在保持高查询精度和低训练开销的同时实现最先进性能。代码已公开于https://github.com/chenchenzong/EAOA。
引用
@article{arxiv.2502.19691,
title = {Rethinking Epistemic and Aleatoric Uncertainty for Active Open-Set Annotation: An Energy-Based Approach},
author = {Chen-Chen Zong and Sheng-Jun Huang},
journal= {arXiv preprint arXiv:2502.19691},
year = {2025}
}
备注
Accepted to CVPR 2025