基于特征引导查询策略的鲁棒对比主动学习
机器学习
2022-08-16 v2 人工智能
摘要
我们引入了有监督对比主动学习（SCAL），并基于特征相似度（featuresim）和基于主成分分析的特征重构误差（fre）提出了主动学习中的高效查询策略，以选取具有多样特征表示的富含信息的数据样本。我们证明了所提方法在图像分类任务的平衡与不平衡数据集主动学习设置中达到了最先进的准确率、模型校准并降低了采样偏差。我们还评估了在主动学习设置下由不同查询策略导致的模型对分布偏移的鲁棒性。通过大量实验，我们表明所提方法大幅优于高计算量方法，在数据集偏移下平均腐蚀误差降低 9.9%、期望校准误差降低 7.2%，分布外检测的 AUROC 提高 8.9%。
引用
@article{arxiv.2109.06873,
title = {Robust Contrastive Active Learning with Feature-guided Query Strategies},
author = {Ranganath Krishnan and Nilesh Ahuja and Alok Sinha and Mahesh Subedar and Omesh Tickoo and Ravi Iyer},
journal= {arXiv preprint arXiv:2109.06873},
year = {2022}
}
备注
20 pages with appendix. arXiv admin note: text overlap with arXiv:2109.06321