结合源域差异性与目标域不确定性的深度迁移主动学习方法

摘要：

针对训练深度模型时样本标注成本较大的问题,文中提出结合源域差异性与目标域不确定性的深度迁移主动学习方法.以源任务网络模型作为目标任务初始模型,在主动学习迭代中结合源域差异性和目标域不确定性挑选对模型最具有贡献的目标域样本进行标注,根据学习阶段动态调整两种评价指标的权重.定义信息榨取比概念,提出基于信息榨取比的主动学习批次训练策略及T&N训练策略.两个跨数据集迁移实验表明,文中方法在取得良好性能的同时可有效降低标注成本,提出的主动学习训练策略可优化计算资源在主动学习过程中的分配,即让方法在初始学习阶段对样本学习更多次数,在终末学习阶段对样本学习较少次数.

关键词：深度主动学习;深度迁移学习;源域差异性;目标域不确定性;信息榨取比

所属期刊栏目：34

分类号：TP391.3(计算技术、计算机技术)

资助基金：贵州省科学技术基金项目黔科合基础[2018]1114

在线出版日期：2021-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：898-908