主動學習

Accedi

本文提出了一種名為 CAMEL 的新型主動學習框架，旨在解決序列多輸出任務中標註成本高昂的問題，該框架利用置信度評估模型選擇性地標記數據，並結合自我監督和標籤校正機制來提高模型性能和數據集質量。

本文提出了一種新的主動學習方法，稱為「模型變化」主動學習，用於基於圖的半監督學習。該方法通過量化添加新標籤數據後模型分類器的變化來選擇最有價值的未標籤數據進行標記，並通過譜截斷技術提高了計算效率。

本文提出了一種名為 FisherMask 的新型主動學習方法，透過利用費雪資訊識別關鍵網路參數，從而提高圖像分類任務中神經網路的標記效率。

主動學習通過優先選擇對模型訓練最有價值的數據，可以顯著提高大規模視覺模型的訓練效率，並降低計算成本。

ALVIN 透過在表徵空間中，對代表性不足和代表性充足的範例進行類內插值來創建錨點，從而選擇更有效的實例進行標註，最終減輕模型對捷徑學習的依賴，並提升模型的泛化能力，尤其是在 out-of-distribution 的情況下。

提出了一種名為Approx-FIRAL的新型主動學習算法,能夠大幅提高FIRAL算法的效率和可擴展性,同時保持相似的分類準確度。

Chi Siamo

Prodotti

Risorse