基于伪标注器的单次主动学习

标准短视主动学习假定每当选取新样本时总能获得人工标注。然而，在许多真实应用中这并不现实，因为人类专家并非随时可得。本文考虑单次设置：所有所需样本应一次性选出，且在选择过程中无法利用任何人工标注。我们提出一种新方法——通过随机标注的主动学习（ALRL），其用多个我们称之为伪标注器的角色替代单个人工标注器。这些伪标注器在查询到新的未标注样本时总是提供均匀且随机的标签。这种随机标注使标准主动学习算法也能展现出单次主动学习所需的探索行为。通过最小化未标注样本与已查询样本间的最近邻距离来选取最具代表性的样本，进一步增强了探索行为。在真实数据集上的实验表明，所提方法优于若干 SOTA 方法。