Active Learning 论文
梁小娘子
这个作者很懒,什么都没留下…
展开
-
[13]2019-ICML-Active Learning for Probabilistic Structured Prediction of Cuts and Matchings
原创 2020-10-10 20:42:42 · 171 阅读 · 0 评论 -
[11]2020-CVPR-State-Relabeling Adversarial Active Learning论文笔记
2020−CVPR2020-CVPR2020−CVPR一.摘要(Abstract)1. 动机(Motivation)设计一个有效的标记算法,sample oracle需要标记的最有信息的样本。2. 主要贡献(Contribution)提出SRAAL模型,利用标注信息和已标记/无标记的状态信息来获取最有信息的无标记样本;设计初始化labeled pool的算法(k-center),该算法使后续的采样更有效。3. SRAAL结构:表示生成器(representation generato.原创 2020-10-05 15:10:20 · 1337 阅读 · 0 评论 -
[7]2019-ICDM-Learning to Sample:an Active Learning Framework 论文笔记
2019−ICDM2019-ICDM2019−ICDM一. 摘要(Abstract)1. 动机(Motivation)在AL中使用Meta-learning是学习最好的AL策略的潮流,然而需要大量的训练数据(与AL的本意相违背),如果数据量小了将导致表现性能差(如:不稳定性和过拟合)。2. 贡献(Contribution)提出LTS(Learning To Sample)框架(sampling model GGG+boosting model FFF:迭代中互相优化)。该框架在优化过程中.原创 2020-09-22 11:33:07 · 331 阅读 · 0 评论 -
[6]2020-WACV-Adversarial Sampling for Active Learning论文笔记
一. 摘要(Abstract)1. 贡献(Contribution)提出ASAL框架第一个基于GAN的AL用于分类,随机采样表现突出;时间复杂度小(次线性)。二. 引言(Introduction)1. 基于pool的AL训练上界\color{blue}{训练上界}训练上界 -》全监督模型(把所有样本用于train)。训练下界\color{blue}{训练下界}训练下界-》随机采样模型。2. 主动学习的目标用尽可能少的样本逼近全监督模型性能;超过随机采样模型性能。三. 相.原创 2020-09-18 22:49:30 · 358 阅读 · 0 评论 -
[3]2020-IEEE Access-Batch Active Learning With Two-Stage Sampling 论文笔记
——华南理工大学,2020,IEEE一.摘要(Abstract)1. 动机(Motivation)降低主动学习时间复杂度(time complexity)。2. 贡献(Contribution)提出两级采样策略(two-stage sampling strategy),该策略将分批采样(batch sampling)和直接边界注释\color{red}{直接边界注释}直接边界注释(direct boundary annotation)相结合。3. 优势(Advantage)不需要每.原创 2020-09-14 09:50:53 · 263 阅读 · 0 评论 -
[2]2019-CVPR-Learning Loss for Active Learning 论文笔记
一.摘要(Abstract)1. 动机(Motivation)用于深度网络的多数主动学习方法要么太具有特性(该AL方法是为该目标任务而具体设计的,不能轻易迁移到其他任务中),要么计算性能低(网络深/大)。2. 贡献(Contribution)提出“loss predict module”,将该模块视为目标网络,训练该模块,使其能预测无标记输入的目标损失。二.引言(Introduction)主动学习query样本的核心思想:挑选信息量大的样本(对提升模型性能越有用)。作者提出的原创 2020-09-06 10:01:41 · 346 阅读 · 1 评论