Temporal Evolution-Aware Adaptive Sampling for Open-Set Active Learning

doi:10.1109/tcsvt.2026.3727187

Temporal Evolution-Aware Adaptive Sampling for Open-Set Active Learning

2026-08-25

0

PRE

AI

DOI：10.1109/tcsvt.2026.3727187

原文链接

原文求助

摘要

En 中文

传统基于信息量的样本选择策略在开放集场景下表现出较差的泛化性能。为解决此问题，现有研究尝试通过优先采样纯净的分布内（ID）样本以缓解分布外（OOD）干扰。然而，此类纯度导向的方法受限于模型表示能力的不足，且忽视了ID纯度与信息量的两难问题。此外，依赖随机采样构建初始基类标记池导致标注成本显著增加。为应对这些挑战，我们提出了一种新型自适应采样框架，联合考虑ID似然和信息量。具体而言，我们为ID采样分支引入了一种时序演化感知策略，通过斯皮尔曼相关性和扰动敏感反馈量化外显性和偶然性不确定性，有效补偿早期周期的表示能力不足。在信息量评估分支中，我们利用分布归因熵将信息增益与OOD影响解耦。此外，我们整合了元置信度评估器以校准ID似然的可靠性，实现ID纯度与信息量的动态平衡。基于此框架，我们通过一次性机制初始化基类标记池的标注。在多个基准数据集上的实验结果表明，我们提出的方法达到了当前最优性能。

Keyword:

Open-set active learning

adaptive sampling

uncertainty quantification

temporal evolution

meta-confidence calibration

Temporal Evolution-Aware Adaptive Sampling for Open-Set Active Learning

摘要

期刊

机构

引用论文