L'apprentissage par distribution d'étiquettes (LDL) est un nouveau paradigme d'apprentissage pour gérer l'ambiguïté des étiquettes. Par rapport aux scénarios d’apprentissage supervisé traditionnels, l’annotation avec distribution d’étiquettes est plus coûteuse. L’utilisation directe des approches d’apprentissage actif (AL) existantes, qui visent à réduire le coût des annotations dans l’apprentissage traditionnel, peut conduire à une dégradation de leurs performances.

Avec une proposition visant à résoudre ces problèmes, une équipe de recherche dirigée par Tingjin Luo a publié de nouvelles recherches dans Frontières de l'informatique.

L’équipe propose la méthode ALDL-kMMD (Active Label Distribution Learning via Kernel Maximum Mean Discrepancy). Par rapport aux méthodes AL traditionnelles, l’efficacité de la méthode proposée est validée par des expériences approfondies sur des ensembles de données du monde réel, et les performances de la méthode ALDL-kMMD surpassent celles des autres.

ALDL-kMMD capture les informations structurelles des données et de l'étiquette, extrait les instances les plus représentatives des exemples non étiquetés en incorporant le modèle non linéaire et l'appariement de la distribution de probabilité marginale. En outre, cela réduit également considérablement le nombre d’instances non étiquetées interrogées. Et une solution efficace est proposée pour le problème d'optimisation original d'ALDL-kMMD en construisant des variables auxiliaires. L'efficacité de la méthode est validée par des expériences sur des ensembles de données du monde réel.

Les travaux futurs pourraient se concentrer sur l’application de la méthode d’apprentissage actif proposée aux structures d’apprentissage profond et sur la conception d’une nouvelle méthode d’apprentissage actif profond pour réduire la dépendance aux informations des étiquettes.

Fourni par Frontiers Journals