基于自然特征渐进框架的无监督主动学习
计算机视觉与模式识别
2025-10-07 v1 人工智能
机器学习
摘要
现代深度学习模型的有效性依赖于大规模人工标注数据集，这一过程往往昂贵且耗时。虽然主动学习（Active Learning, AL）通过仅标注最具信息性和代表性的数据来提供战略解决方案，但其迭代性质仍需大量人工参与。无监督主动学习（Unsupervised Active Learning, UAL）则通过将标注负担转移到单个后选择步骤来提供另一种方案。然而，现有的 UAL 方法难以实现最先进的性能。这类方法通常依赖于基于局部、梯度的评分来估计样本重要性，这不仅使其对模糊和噪声数据脆弱，还限制了其从足够代表整个数据分布方面选择样本的能力。此外，这些方法使用的浅层、一次性线性选择不够符合真正的 UAL 范式。本文提出了自然特征渐进框架（Natural Feature Progressive Framework, NFPF），一种革新性地衡量样本重要性的 UAL 方法。其核心是采用特定特征学习机器（Specific Feature Learning Machine, SFLM）来有效量化每个样本对模型性能的贡献。我们进一步利用 SFLM 定义了强大的重构差异指标用于初始样本选择。我们的全面实验表明，NFPF 在所有 established UAL 方法上均显著优于，并在视觉数据集上达到与监督 AL 方法相当的性能。详细的消融研究和定性可视化为 NFPF 卓越的性能、增强的鲁棒性以及改进的数据分布覆盖力提供了令人信服的证据。
引用
@article{arxiv.2510.04939,
title = {Unsupervised Active Learning via Natural Feature Progressive Framework},
author = {Yuxi Liu and Catherine Lalman and Yimin Yang},
journal= {arXiv preprint arXiv:2510.04939},
year = {2025}
}
备注
Under review at IEEE TPAMI