Aktives Lernen für Faltungsneuronale Netze: Ein Ansatz mit Kernmengen

Faltungsschichtneuronale Netze (CNNs) wurden erfolgreich auf viele Erkennungs- und Lernaufgaben angewendet, indem ein tiefes Modell auf einem sehr großen Datensatz von überwachten Beispielen trainiert wurde. In der Praxis ist dieser Ansatz jedoch ziemlich eingeschränkt, da das Sammeln einer großen Menge an beschrifteten Bildern sehr kostspielig ist. Eine Möglichkeit, dieses Problem zu lösen, besteht darin, intelligente Methoden zur Auswahl von Bildern aus einer sehr großen Sammlung zu entwickeln, die beschriftet werden sollen (d.h. aktives Lernen).Unsere empirische Studie zeigt, dass viele der im Literaturverzeichnis beschriebenen Heuristiken des aktiven Lernens in Batch-Einstellungen bei der Anwendung auf CNNs nicht effektiv sind. Inspiriert durch diese Einschränkungen definieren wir das Problem des aktiven Lernens als Core-Set-Auswahl, d.h. die Auswahl eines Satzes von Punkten, so dass ein über diesen ausgewählten Teilmenge gelerntes Modell für die verbleibenden Datenpunkte wettbewerbsfähig ist. Wir präsentieren außerdem ein theoretisches Ergebnis, das die Leistung jeder ausgewählten Teilmenge unter Verwendung der Geometrie der Datenpunkte charakterisiert. Als aktives Lernalgorithmus wählen wir die Teilmenge, die laut unserer Charakterisierung die besten Ergebnisse erzielen soll. Unsere Experimente zeigen, dass das vorgeschlagene Verfahren in Bildklassifikationsversuchen um einen großen Faktor besser abschneidet als existierende Ansätze.请注意，虽然您要求的是德语翻译，但您的第四条要求中提到“使其更符合法语读者的阅读习惯”，这里应该是笔误。我已按照德语的标准进行了翻译。如果您需要法语翻译，请告知我。