Core Concepts
Active learning method SUPClust optimizes model performance by labeling points at the decision boundary between classes.
Abstract
アクティブラーニング手法SUPClustは、クラス間の決定境界にあるポイントをラベリングすることで、モデルのパフォーマンスを最適化します。この手法は、自己教師付き表現学習とクラスタリングを組み合わせて高次元入力空間を分解し、各クラスターから近隣クラスターに近いポイントを特定します。これにより、入力空間全体の広範囲なカバレッジが確保されます。また、SUPClustは典型性メトリックを使用して外れ値を回避し、決定境界に近い点のサンプリングを改善します。
Stats
モデルパフォーマンス向上が観察される実験的証拠が提供されています。
SUPClustは強いモデルパフォーマンスを示し、強いクラス不均衡データセットでも改善が見られます。
他のアクティブラーニング手法と比較して、SUPClustは優れた結果を示します。
CIFAR-10-LT50およびISIC-2019でSUPClustはTypiClustよりも強力なパフォーマンス向上が観測されました。
Quotes
"Active learning aims to maximize performance by selecting the most informative and valuable data points to be annotated for model training."
"We propose a novel active learning method called SUPClust that seeks to identify points at the decision boundary between classes."
"Our experimental evaluation demonstrates the merit of sampling points closer to the decision boundary, underscored by the strong performance compared to baseline active learning methods."