研究人员开发了CARE-DPP，这是一种新颖的批次主动学习获取方法，旨在提高在海量生态声学数据集上训练的生物多样性分类器的效率。该方法结合了类别平衡的预测不确定性和嵌入空间新颖性，利用行列式点过程（DPP）来选择高质量、非冗余的数据批次。该方法会随着时间的推移动态调整其关注点，从几何覆盖到分类器不确定性，并纳入混合候选池以减轻早期评分的不可靠性。在多个数据集上进行评估，CARE-DPP的平均开发AULC为0.50，优于CoreSet基线的0.46。 AI
影响 这项研究可能导致更有效的生物多样性分类器训练，减少大型音频数据集所需的标注工作。
排序理由 该集群包含一篇详细介绍生物声学主动学习新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.06063v1 Announce Type: cross Abstract: Eco-acoustic monitoring generates vast volumes of audio data, making active learning a promising approach for reducing annotation effort while efficiently training reliable biodiversity classifiers. This report presents CARE-DPP, …
Eco-acoustic monitoring generates vast volumes of audio data, making active learning a promising approach for reducing annotation effort while efficiently training reliable biodiversity classifiers. This report presents CARE-DPP, a batch active-learning acquisition method submitt…