变分对抗主动学习
机器学习
2019-10-30 v3 计算机视觉与模式识别
机器学习
摘要
主动学习旨在通过采样最具代表性的查询由 oracle 标注来开发标签高效的算法。我们描述了一种基于池的半监督主动学习算法，该算法以对抗方式隐式地学习此采样机制。与传统的主动学习算法不同，我们的方法是任务无关的，即它不依赖于我们试图获取标注数据的任务性能。我们的方法使用变分自编码器（VAE）和学习区分未标注与已标注数据的对抗网络来学习潜空间。VAE 与对抗网络之间的极小极大博弈如此进行：VAE 试图欺骗对抗网络使其预测所有数据点均来自已标注池，而对抗网络学习如何区分潜空间中的差异。我们在各种图像分类和语义分割基准数据集上广泛评估了我们的方法，并在 、、、 和 上确立了新的 SOTA。我们的结果表明，我们的对抗方法在大规模设置下学习到有效的低维潜空间，并提供了一种计算高效的采样方法。我们的代码可在 https://github.com/sinhasam/vaal 获取。
引用
@article{arxiv.1904.00370,
title = {Variational Adversarial Active Learning},
author = {Samarth Sinha and Sayna Ebrahimi and Trevor Darrell},
journal= {arXiv preprint arXiv:1904.00370},
year = {2019}
}
备注
First two authors contributed equally, listed alphabetically. Accepted as Oral at ICCV 2019