.png){kind=icon}
返回
Boosting active learning via re-aligned feature space
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113085.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习（AL）旨在通过从未标记数据中选择最具信息量的样本，来减少深度学习中数据标注所需的人工标注工作。传统AL方法通常基于不确定性或多样性来评估样本的信息量，部分混合方法结合两者以提升性能。然而，这些混合方法往往忽视了基于不确定性与基于多样性策略之间的根本差异，这可能导致次优结果。为解决此限制，我们提出了一种基于特征位置的中心度量指标用于不确定性测量，使其与基于多样性的方法更加一致。我们为使用特征距离作为不确定性度量提供了理论分析，从而实现与基于多样性的方法的平滑集成。此外，我们引入了一种基于类别质心的新型损失函数，通过引入两个边界来重新调整特征空间，以支持所提出的不确定性评估框架。在重新调整的特征空间中，我们将我们的不确定性评估技术与基于多样性的核心集选择方法相结合，形成了一种名为中心感知主动学习的混合模型。我们通过在CIFAR-10、CIFAR-100、Caltech101、Caltech256和TinyImageNet数据集上的分类任务进行大量实验，证明了我们方法的有效性，结果表明我们所提出的方法具有优越性。
Keyword:
Active learning
Metric learning
Classification
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容