要約
深層ニューラルネットワークの性能は、より多くのアノテーションデータがあることで向上します。しかし、アノテーションに割り当てられる予算には限界があります。この問題に対する一つの解決策がアクティブラーニングです。ここで、モデルは自身が不確実と認識したデータを人間にアノテートするよう依頼します。最近では、深層ネットワークにアクティブラーニングを適用するための様々な手法が提案されていますが、それらの多くは特定のタスク向けに設計されているか、大規模なネットワークに対して計算効率が悪いという課題があります。本論文では、単純でありながらタスク非依存で、深層ネットワークと効率的に動作する新しいアクティブラーニング手法を提案します。私たちは、「損失予測モジュール（loss prediction module）」と名付けられた小さなパラメトリックモジュールを対象ネットワークに接続し、これを用いて未ラベル入力の目標損失を予測させます。その後、このモジュールは対象モデルが誤った予測を行う可能性が高いデータを提案することができます。この手法はタスク非依存であり、ネットワークは目標タスクに関係なく単一の損失から学習します。我々は画像分類、物体検出、ヒューマンポーズ推定などの最近のネットワークアーキテクチャを使用して本手法を厳密に検証しました。結果は、本手法が従来の方法よりも一貫して優れていることを示しています。