#434
summarized by : 岡本大和
State-Relabeling Adversarial Active Learning
Beichen Zhang, Liang Li, Shijie Yang, Shuhui Wang, Zheng-Jun Zha, Qingming Huang

どんな論文か？

Active Learningの研究で「いかにefficientなsampleを選択するか」という問題設定。 labeled sample=0、unlabeled sample=1として、見抜こうとするDiscriminatorと、labeled sampleに見せかけようとするGeneratorの敵対学習を導入。どうしてもunlabeled sampleだと見抜かれるsampleから学習する。
placeholder

新規性

問題設定は通常のActive Learningである。labeled sample=0、unlabeled sample=1という情報を活用した敵対学習を取り入れた点が新規性。また、Softmax出力に基づくUncertainty-Prediction機能も設けて値を随時更新（Relabeling）する仕組みもあわせて提案している。

結果

CIFAR-10などのClassificationタスクにおけるActive Learning、および、CityScapesによるSemantic SegmentationタスクにおけるActive Learningで、従来手法をうわまわる性能を達成。

その他（なぜ通ったか？等）

敵対学習やUncertainty-Predictionは従来から存在する手法だが、手法の合わせ技でSoTA達成したことから評価を得たと推測。labeled sample=0、unlabeled sample=1という情報を活用する着眼点も評価されたと思われる。

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．