Fast Fishing: Approximating BAIT for Efficient and Scalable Deep Active Image Classification

本文介绍了两种方法来提高基于Fisher信息的BAIT主动学习策略的计算效率和可扩展性。BAIT已经在各种数据集上展示了出色的性能，但其高计算和内存需求限制了其在大规模分类任务中的适用性，导致当前研究忽略了BAIT的评估。本文通过近似Fisher信息，显著降低了时间复杂度。特别地，我们通过i）对最可能的类别进行期望和ii）构建二分类任务，从而得到了梯度计算的替代似然，改进了原始公式。因此，这使得BAIT可以在包括ImageNet在内的大规模数据集上高效使用。我们在各种数据集上进行了统一和全面的评估，证明了我们的近似方法在显著降低时间复杂度的同时，实现了强大的性能。此外，我们提供了一个广泛的开源工具箱，实现了最新的主动学习策略，可在https://github.com/dhuseljic/dal-toolbox上获得。

提高Deep active learning (AL)方法在大规模数据集上的计算效率和可扩展性。

通过对Fisher Information的近似计算，降低了BAIT方法的时间复杂度，使其可以在大规模数据集上高效使用。

论文提出了两种方法来提高BAIT方法的计算效率和可扩展性，通过实验验证了这些方法的有效性，并提供了一个开源工具箱。

近期相关研究包括：Active Learning Survey、Deep Active Learning Using Multiple Uncertainty Sampling等。