状态重标记对抗主动学习
计算机视觉与模式识别
2020-04-13 v1 机器学习
摘要
主动学习旨在通过采样最具代表性的样本交由预言机标注，以设计标签高效的算法。本文提出一种状态重标记对抗主动学习模型(SRAAL)，其同时利用标注信息与已标注/未标注状态信息来推导信息量最大的未标注样本。SRAAL由一个表示生成器与一个状态判别器组成。生成器将互补的标注信息与传统重构信息结合，生成样本的统一表示，从而将语义嵌入整体数据表示中。随后，我们在判别器中设计了一种在线不确定性指示器，赋予未标注样本不同的重要性。据此，我们可根据判别器预测的状态筛选信息量最大的样本。我们还设计了一种初始化标注池的算法，使后续采样更为高效。在多个数据集上的实验表明，我们的模型优于以往的SOTA主动学习方法，且我们的初始采样算法取得了更优性能。
引用
@article{arxiv.2004.04943,
title = {State-Relabeling Adversarial Active Learning},
author = {Beichen Zhang and Liang Li and Shijie Yang and Shuhui Wang and Zheng-Jun Zha and Qingming Huang},
journal= {arXiv preprint arXiv:2004.04943},
year = {2020}
}
备注
Accepted as Oral at CVPR 2020