Icml2022 | Galaxy: apprentissage actif des cartes de polarisation

Liens vers les articles：https://arxiv.org/pdf/2202.01402.pdf

L'apprentissage actif est une méthode efficace de marquage,Marquer et former en sélectionnant de façon interactive une petite partie des données non marquées,Pour former des modèles efficaces.In“Ouvrir le monde”En configuration,Les classes d'intérêt ne représentent qu'une petite partie de l'ensemble de données——La plupart des données peuvent être considérées comme des classes non distribuées ou indépendantes.Cela conduit à un déséquilibre extrême des catégories,Notre théorie et notre approche se concentrent sur cette question centrale.Nous proposons une nouvelle stratégie d'apprentissage actif,AppeléGALAXY (Graph-based active learning At the eXtrEme),Il combine l'apprentissage actif basé sur des graphiques et l'apprentissage profond.Par rapport à la plupart des méthodes d'apprentissage actif,GALAXYPossibilité de sélectionner automatiquement et de manière adaptative plus d'échantillons équilibrés par catégorie pour le marquage.Notre théorie montre,GALAXYUn échantillonnage précis de l'incertitude a été effectué.,Il recueille des ensembles de données plus équilibrés que l'échantillonnage général de l'incertitude..Par expérience,Nous montrons que, dans les ensembles de classification visuelle déséquilibrés générés à partir d'ensembles de données populaires,,GALAXYMeilleur que l'algorithme avancé d'apprentissage actif profond.