SegXAL：用于驾驶场景语义分割的可解释主动学习
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文提出了一种新颖的可解释主动学习框架（XAL），结合预训练的双向编码器和单向解码器，旨在提高低资源文本分类任务中的预测可解释性和准确性。通过自我训练方法替代传统的半监督学习，显著提升了在噪声标签下的性能，评估结果显示在多个数据集上实现了超过95%的准确率。
🔎
延伸解读
方法核心：可解释性与主动学习的结合
该框架将预训练的双向编码器与单向解码器结合，并利用模型的预测不确定性和解释分数来指导主动学习。这种设计旨在提升低资源文本分类任务中的预测可解释性和准确性，通过主动选择最有价值的数据进行标注，从而在有限标注数据下优化模型性能。
自我训练替代半监督学习
文章用自我训练方法替换了传统的半监督学习中的平均教师方法，以处理带有噪声的标签。这一改动增强了神经网络查询有用数据的能力，从而在噪声标签下实现了超越现有半监督方法的性能。这表明在低资源且标签质量不高的场景中，自我训练可能是一种更有效的策略。
实验效果与数据效率
在 CamVid 和 CityScapes 数据集上的评估显示，仅使用 12.1% 和 15.1% 的标签数据，该方法就实现了超过 95% 的准确率。这一结果突显了其在减少标注成本方面的潜力，同时也说明在驾驶场景语义分割任务中，主动学习与自我训练的结合能够显著提升数据效率。
❓
Q&A
SegXAL框架的主要目标是什么？
SegXAL框架旨在提高低资源文本分类任务中的预测可解释性和准确性。
SegXAL是如何提升模型性能的？
SegXAL通过自我训练方法替代传统的半监督学习，显著提升了在噪声标签下的性能。
在评估中，SegXAL的准确率达到了多少？
在多个数据集上，SegXAL的评估结果显示准确率超过95%。
SegXAL框架结合了哪些技术？
SegXAL框架结合了预训练的双向编码器和单向解码器。
SegXAL在处理噪声标签方面有什么优势？
SegXAL通过自我训练方法增强了神经网络查询有用数据的能力，从而更好地处理噪声标签。
SegXAL的实验结果基于哪些数据集？
SegXAL的实验结果基于CamVid和CityScapes数据集。
🏷️
