DCoM: Active Learning for All Learners

简介

深度主动学习（AL）技术可以有效地降低训练深度模型的注释成本。然而，它们在低预算和高预算情况下的有效性似乎需要不同的策略，并且在不同的预算情况下实现最佳结果仍然是一个挑战。在本研究中，我们介绍了一种新颖的主动学习方法——动态覆盖和边缘混合（DCoM），旨在弥合这一差距。与现有策略不同，DCoM根据当前模型的能力动态调整其策略。通过对包括具有挑战性的计算机视觉任务在内的不同数据集的理论分析和实证评估，我们展示了DCoM克服冷启动问题的能力，并在不同预算限制下持续改善结果。因此，DCoM在低预算和高预算情况下均取得了最先进的性能。
解决问题

DCoM论文试图解决在不同预算约束下，使用深度主动学习技术来训练深度模型的成本问题。
关键思路

DCoM是一种新的主动学习方法，通过动态调整其策略来考虑当前模型的能力，从而在低预算和高预算的情况下都能够实现最优结果。
其它亮点

DCoM通过理论分析和实验验证，展示了其在不同数据集上的表现，包括具有挑战性的计算机视觉任务。论文提供了开源代码和数据集。
相关研究

与此相关的其他研究包括：Deep Bayesian Active Learning、Deep Reinforcement Active Learning、Learning Loss for Active Learning等。