利用内点与离群点训练集成模型用于半监督主动学习
计算机视觉与模式识别
2023-07-10 v1
摘要
在存在离群样本的情况下进行深度主动学习是一个现实却具挑战性的场景。获取未标注数据用于标注需要在避免离群点以节省标注预算与优先选择有用的内点样本进行有效训练之间取得精细平衡。在本工作中，我们提出了一种利用三个高度协同组件的方法，这些组件被确定为关键要素：内点与离群点的联合分类器训练、通过伪标注的半监督学习，以及模型集成。我们的工作表明，集成显著提升了伪标注的准确性并改善了数据获取的质量。通过联合训练过程实现半监督（其中离群点被妥善处理），我们观察到利用所有可用未标注样本使分类器准确率大幅提升。值得注意的是，我们揭示联合训练的引入使得显式离群点检测变得不必要；而显式离群点检测是先前工作中用于获取的一个常规组件。这三个关键组件与众多现有方法无缝契合。通过实证评估，我们展示了它们的联合使用带来了性能提升。值得注意的是，尽管简单，我们提出的方法在性能上优于所有其他方法。代码：https://github.com/vladan-stojnic/active-outliers
引用
@article{arxiv.2307.03741,
title = {Training Ensembles with Inliers and Outliers for Semi-supervised Active Learning},
author = {Vladan Stojnić and Zakaria Laskar and Giorgos Tolias},
journal= {arXiv preprint arXiv:2307.03741},
year = {2023}
}