Adaptive Weighted Double Uncertainty Incrementally Active Learning for Multi-Class Imbalanced Data

doi:10.1109/TKDE.2025.3631144

Adaptive Weighted Double Uncertainty Incrementally Active Learning for Multi-Class Imbalanced Data

2025-11-10

0

PRE

AI

陈晨 (C. L. Philip Chen)

DOI：10.1109/TKDE.2025.3631144

原文链接

原文求助

摘要

En 中文

主动学习能够有效降低标注成本，同时提升模型分类性能。然而，先前的研究表明，不平衡的类别分布会对主动学习产生不利影响，导致模型效果减弱。现有的不平衡主动学习方法往往忽视了多类不平衡问题，并且存在性能低、时间消耗高的问题。为解决这些问题，本文提出了一种结合在线加权广学习系统的混合主动学习（HAL-OWBLS）。其主要优势包括：（1）我们通过近似查询策略优化初始标注样本选择，以避免冷启动问题，并引入基于双重不确定性的样本选择策略，以增强主动学习迭代过程的合理性。（2）选择加权广学习系统（WBLS）作为分类器，并采用改进的加权策略处理多类不平衡数据。（3）我们从理论上推导出一种高效的WBLS在线更新模型，仅使用新标注样本进行快速更新，从而降低主动学习迭代的时间成本。所提出的HAL-OWBLS算法在各类多类不平衡数据集上相较于现有相关算法具有更好的性能和鲁棒性。

Keyword:

Broad learning system

imbalance multi-class learning

active learning

online learning

Adaptive Weighted Double Uncertainty Incrementally Active Learning for Multi-Class Imbalanced Data

摘要

期刊

机构

引用论文