基于狄利克雷的粗到细示例选择用于开放集标注
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了开放集标注中由于开放集噪声导致的主动学习性能下降问题。提出的狄利克雷基础粗到细示例选择(DCFS)策略通过引入单纯形证据深度学习,克服了软最大化的平移不变性,从而同时考虑了证据信息和数据分布不确定性。本工作显示,DCFS在多个开放性比例数据集上的实验结果达到了一流性能,具有显著的应用潜力。
本研究通过狄利克雷基础粗到细示例选择(DCFS)策略解决开放集标注中因噪声导致的主动学习性能下降问题。DCFS利用单纯形证据深度学习,克服了软最大化的平移不变性,综合考虑证据信息和数据分布不确定性。实验结果显示,DCFS在多个数据集上表现优异,具有很大应用潜力。