任务感知变分对抗主动学习
机器学习
2020-12-09 v2 机器学习
摘要
通常，由于标注成本高昂，大量数据的标注具有挑战性，这限制了深度学习技术的应用领域。主动学习(AL)通过查询未标注池中信息量最大的样本进行标注来解决此问题。近期探索的两条有前景的AL方向是：选择远离当前已标注池的数据点的任务无关方法，以及依赖任务模型视角的任务感知方法。遗憾的是，前者未利用任务中的结构，而后者似乎未能很好地利用整体数据分布。在此，我们提出任务感知变分对抗主动学习(TA-VAAL)，它改进了任务无关的VAAL（该模型考虑了已标注与未标注池的数据分布），将任务学习损失预测放宽为排序损失预测，并使用排序条件生成对抗网络将归一化排序损失信息嵌入VAAL。我们提出的TA-VAAL在具有平衡/不平衡标签的分类以及语义分割的各种基准数据集上均优于当前最优方法，并且我们通过深入分析证实了它的任务感知与任务无关AL特性。
引用
@article{arxiv.2002.04709,
title = {Task-Aware Variational Adversarial Active Learning},
author = {Kwanyoung Kim and Dongwon Park and Kwang In Kim and Se Young Chun},
journal= {arXiv preprint arXiv:2002.04709},
year = {2020}
}
备注
14 pages, 13 figures, 1 table