論文の概要: Making Your First Choice: To Address Cold Start Problem in Vision Active
Learning
- arxiv url: http://arxiv.org/abs/2210.02442v1
- Date: Wed, 5 Oct 2022 17:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 12:40:34.656292
- Title: Making Your First Choice: To Address Cold Start Problem in Vision Active
Learning
- Title(参考訳): 視覚能動的学習におけるコールドスタート問題に対処する
- Authors: Liangyu Chen, Yutong Bai, Siyu Huang, Yongyi Lu, Bihan Wen, Alan L.
Yuille, Zongwei Zhou
- Abstract要約: アクティブラーニングは、最初に注釈付けされる最も重要なデータを反復的に選択することで、アノテーション効率を改善することを約束する。
我々はこれを視覚能動学習におけるコールドスタート問題とみなす。
本稿では,コントラスト学習の3つの利点を生かして,コールドスタート問題に対処する。
- 参考スコア(独自算出の注目度): 90.24315238412407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active learning promises to improve annotation efficiency by iteratively
selecting the most important data to be annotated first. However, we uncover a
striking contradiction to this promise: active learning fails to select data as
efficiently as random selection at the first few choices. We identify this as
the cold start problem in vision active learning, caused by a biased and
outlier initial query. This paper seeks to address the cold start problem by
exploiting the three advantages of contrastive learning: (1) no annotation is
required; (2) label diversity is ensured by pseudo-labels to mitigate bias; (3)
typical data is determined by contrastive features to reduce outliers.
Experiments are conducted on CIFAR-10-LT and three medical imaging datasets
(i.e. Colon Pathology, Abdominal CT, and Blood Cell Microscope). Our initial
query not only significantly outperforms existing active querying strategies
but also surpasses random selection by a large margin. We foresee our solution
to the cold start problem as a simple yet strong baseline to choose the initial
query for vision active learning. Code is available:
https://github.com/c-liangyu/CSVAL
- Abstract(参考訳): アクティブラーニングは、最初に注釈付けされる最も重要なデータを反復的に選択することで、アノテーション効率を改善することを約束する。
アクティブラーニングは、最初のいくつかの選択でランダム選択と同じくらい効率的にデータを選択することができない。
偏りのある外れた初期クエリによって引き起こされるビジョンアクティブラーニングにおけるコールドスタート問題である。
本稿では,(1)アノテーションは不要,(2)ラベルの多様性は,バイアスを軽減するために擬似ラベルによって保証される,(3)典型的データは対照的な特徴によって決定され,外れ値が減少する,という3つの利点を生かしてコールドスタート問題に対処する。
CIFAR-10-LTと3つの医用画像データセット(大腸病理、腹部CT、血液細胞顕微鏡)で実験を行った。
我々の初期クエリは、既存のアクティブクエリ戦略を著しく上回るだけでなく、大きなマージンでランダム選択を上回る。
ビジョンアクティブラーニングのための最初のクエリを選択するための、シンプルで強力なベースラインとして、コールドスタート問題に対するソリューションを予見します。
コードは https://github.com/c-liangyu/CSVAL
関連論文リスト
- Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。
そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。
我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
論文 参考訳(メタデータ) (2024-12-09T16:37:27Z) - IDEAL: Influence-Driven Selective Annotations Empower In-Context
Learners in Large Language Models [66.32043210237768]
本稿では,影響駆動型選択的アノテーション手法を提案する。
アノテーションのコストを最小限に抑えつつ、コンテキスト内サンプルの品質を向上させることを目的としている。
様々なベンチマークで提案手法の優位性を確認する実験を行った。
論文 参考訳(メタデータ) (2023-10-16T22:53:54Z) - BaSAL: Size-Balanced Warm Start Active Learning for LiDAR Semantic
Segmentation [2.9290232815049926]
既存のアクティブな学習方法は、LiDARセマンティックセグメンテーションデータセットに固有の深刻なクラス不均衡を見落としている。
本研究では,各オブジェクトクラスが特徴的サイズであることを示す観測結果に基づいて,サイズバランスの取れたウォームスタートアクティブラーニングモデルBaSALを提案する。
その結果,初期モデルの性能を大きなマージンで改善できることが示唆された。
論文 参考訳(メタデータ) (2023-10-12T05:03:19Z) - DiffusAL: Coupling Active Learning with Graph Diffusion for
Label-Efficient Node Classification [1.0602247913671219]
我々はDiffusALと呼ばれる新しいグラフ学習手法を導入し、多様な設定において大きな堅牢性を示す。
取得とトレーニングの計算のほとんどは事前処理が可能であり、Diffusalは多様な選択基準を組み合わせたアプローチに比べて効率的である。
各種ベンチマークデータセットを用いた実験により, 従来の手法と異なり, テスト対象のデータセットとラベルの予算の100%において, ランダム選択を著しく上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2023-07-31T20:30:13Z) - COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical
Image Segmentation [10.80144764655265]
アクティブラーニング(AL)は効率的なアノテーションのための有望なソリューションであるが、アクティブセレクションを開始するにはラベル付きサンプルの初期セットが必要である。
これはコールドスタートALとしても知られており、前述したデータにアクセスせずに専門家からアノテーションを要求できる機会は1つだけである。
COSALというベンチマークを公開医療宣言収集から5つの3次元医療セグメンテーションタスクについて,コールドスタートAL戦略を6つ評価し,その評価を行った。
論文 参考訳(メタデータ) (2023-07-22T07:19:15Z) - Improving Selective Visual Question Answering by Learning from Your
Peers [74.20167944693424]
VQA(Visual Question Answering)モデルは、間違っていた場合の回答を控えるのに苦労する可能性がある。
本稿では,複数モーダル選択関数の学習におけるLearning from Your Peers (LYP) アプローチを提案する。
提案手法では,学習データの異なるサブセットに基づいて訓練されたモデルの予測を,選択的VQAモデルの最適化のターゲットとして利用する。
論文 参考訳(メタデータ) (2023-06-14T21:22:01Z) - Warm Start Active Learning with Proxy Labels \& Selection via
Semi-Supervised Fine-Tuning [10.086685855244664]
本稿では,3次元画像セグメンテーションに特化して,アクティブラーニング(AL)のための2つの新しい戦略を提案する。
まず、プロキシタスクを提案し、次にプロキシタスクから発生した不確実性を利用して、アノテートすべきラベルのないデータをランク付けすることで、コールドスタート問題に取り組む。
第2に、未ラベルのデータも第2段階で半教師付き微調整戦略として使用されるように、各アクティブイテレーション毎に2段階の学習フレームワークを構築している。
論文 参考訳(メタデータ) (2022-09-13T20:21:40Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳(メタデータ) (2022-05-10T15:39:11Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-05T13:46:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。