ICML2022 | GALAXY:極化圖主動學習

論文鏈接：https://arxiv.org/pdf/2202.01402.pdf

主動學習是一種標記高效的方法，通過交互式地選擇一小部分未標記數據進行標記和訓練，從而訓練出高效的模型。在“開放世界”設置中，感興趣的類只占整個數據集的一小部分——大多數數據可能被視為非分布或無關類。這導致了極端的類別不平衡，我們的理論和方法都集中在這個核心問題上。我們提出了一種新的主動學習策略，稱為GALAXY (Graph-based active learning At the eXtrEme)，它融合了基於圖的主動學習和深度學習的思想。與大多數主動學習方法相比，GALAXY能够自動自適應地選擇更多類別平衡的樣本進行標記。我們的理論錶明，GALAXY執行了一種精細的不確定性抽樣，它比普通的不確定性抽樣收集了更類平衡的數據集。通過實驗，我們證明了在從流行數據集生成的不平衡視覺分類設置中，GALAXY優於現有的先進深度主動學習算法。