Learning Loss for Active Learning

#395

summarized by : cfiken

Donggeun Yoo, In So Kweon

どんな論文か？

loss を推測するモデルを学習し、unlabeled なデータの中で、推定した loss の大きいデータに優先的にアノテーションを行うことで、active learning を効率的に行う手法の提案。タスク依存性がなく、かつ計算量の必要になる Deep なネットワークについても対応できる汎用的な手法で、分類・回帰・その両方(ハイブリッド)、なタスクについて実験し、既存手法を上回る性能となった。

新規性

タスク依存なしで、かつ計算量が大きい Deep ならモデルにも適用できる Active Learning 手法は初。 Loss の大小を Active Learning に応用する研究は初。

結果

分類タスクとして Image Classification, 回帰タスクとして Human Pose Estimation, 両方必要なタスクとして Object Detection でそれぞれ最新モデルを使って実験し、Active Learning の既存手法 (entropy, core-set) を上回る性能となった。

その他（なぜ通ったか？等）

どのネットワークにも存在する Loss を使うことで Active Learning を効率的に行うという、シンプルかつ汎用的な手法。

このページで利用されている画像は論文から引用しています．