Resumen

El aprendizaje activo tiene como objetivo seleccionar las muestras sin etiquetar más valiosas para la anotación. En este trabajo, proponemos un método de aprendizaje activo adversarial de eliminación de redundancia (RRAAL) basado en el indicador de incertidumbre en línea de la norma, que selecciona las muestras en función de su distribución, incertidumbre y redundancia. RRAAL incluye un generador de representación, un discriminador de estados y un módulo de eliminación de redundancia (RRM). El propósito del generador de representación es aprender la representación de características de una muestra, y el discriminador de estado predice el estado del vector de características después de la concatenación. Añadimos un discriminador de muestras al generador de representación para mejorar la capacidad de aprendizaje de la representación del generador y diseñamos un indicador de incertidumbre en línea de la norma (Norm-OUI) para proporcionar una puntuación de incertidumbre más precisa para el discriminador de estado. Además, diseñamos un RRM basado en un algoritmo codicioso para reducir el número de muestras redundantes en el conjunto etiquetado. Los resultados experimentales en cuatro conjuntos de datos muestran que el discriminador de estado, el Norm-OUI y el RRM pueden mejorar el rendimiento de RRAAL, y éste supera a los métodos de aprendizaje activo más avanzados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:discriminador de estados, generador de representaciones, indicadores de incertidumbre en línea, rrm, capacidad de aprendizaje de representaciones, métodos de aprendizaje activo, puntuación de incertidumbre precisa, módulo de eliminación de redundancias, muestra valiosa no etiquetada, norma
• Keywords:state discriminator, representation generator, online uncertainty indicators, rrm, representation learning ability, active learning methods, accurate uncertainty score, redundancy removal module, valuable unlabelled sample, norm