SUPClust: Active Learning at the Boundaries

要約

アクティブ ラーニングは、ラベル付きデータの取得にコストがかかる環境でモデルのパフォーマンスを最適化するように設計された機械学習パラダイムです。
この研究では、クラス間の決定境界にある点を特定しようとする SUPClust と呼ばれる新しい能動学習方法を提案します。
SUPClust は、これらの点をターゲットにすることで、複雑な決定領域のモデルの予測を改良するために最も有益な情報を収集することを目的としています。
これらの点にラベルを付けると強力なモデルのパフォーマンスが得られることを実験的に示します。
この改善は、強いクラスの不均衡を特徴とするシナリオでも観察されます。

要約(オリジナル)

Active learning is a machine learning paradigm designed to optimize model performance in a setting where labeled data is expensive to acquire. In this work, we propose a novel active learning method called SUPClust that seeks to identify points at the decision boundary between classes. By targeting these points, SUPClust aims to gather information that is most informative for refining the model’s prediction of complex decision regions. We demonstrate experimentally that labeling these points leads to strong model performance. This improvement is observed even in scenarios characterized by strong class imbalance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google