【阅读】Variational Adversarial Active Learning

摘要：

通常情况下，由于标记成本高，限制了深度学习技术的应用领域，标记大量数据具有挑战性。主动学习(AL)通过在未标记池中查询需要注释的信息量最大的样本来解决这个问题。近年来研究的人工智能有两个很有前途的方向，一是选择远离当前标记池的数据点的任务不可知方法，二是依赖任务模型视角的任务感知方法。不幸的是，前者没有利用来自任务的结构，而后者似乎没有很好地利用整个数据分布。在这里，我们提出了任务感知变分对抗AL (TA-VAAL)，它修改了任务不可知的VAAL，考虑了标签池和未标签池的数据分布，将任务学习损失预测简化为排序损失预测，并利用排序条件生成对抗网络在val中嵌入归一化排序损失信息。我们提出的TA-VAAL在使用平衡/不平衡标签进行分类以及语义分割的各种基准数据集上都优于现有水平，其任务感知和任务不可知的AL属性通过我们的深入分析得到了证实。

以下是别人已经做的笔记，可以借鉴。（侵删）

【主动学习】Variational Adversarial Active Learninghttps://www.shuzhiduo.com/A/MyJx26Yedn/[论文阅读] Variational Adversarial Active Learning_xiongxyowo的博客-CSDN博客论文地址：https://arxiv.org/abs/1904.00370代码：https://github.com/sinhasam/vaal发表于：ICCV’19Abstract主动学习的目的是通过对最有代表性的查询进行采样，由专家进行标注，从而开发出高效标签的算法。我们描述了一种基于池的半监督主动学习算法，它以对抗的方式隐式地学习了这种采样机制。与传统的主动学习算法不同，我们的方法是与任务无关的，也就是说，它不依赖于我们试图获取标注数据的任务的性能。我们的方法使用变分自编码器(VAE)和训练好https://blog.csdn.net/qq_40714949/article/details/120471972

https://www.twblogs.net/a/5dc4feb1bd9eee310da09c97https://www.twblogs.net/a/5dc4feb1bd9eee310da09c97【主动学习】论文笔记01-Variational Adversarial Active Learning_哔哩哔哩_bilibili第一篇投稿，就从论文分享开始吧！这是一篇主动学习方向的论文，作者结合了变分自编码器VAE和对抗网络，构造了一个表现更好的挑选策略。https://www.bilibili.com/video/BV1E5411a7kG/