研究人员开发了一种名为 BADGE-Greedy-DPP 的新主动学习策略，用于生物声学叫声类型分类，该策略对于长尾和稀疏数据集特别有效。该方法贪婪地选择最大化梯度嵌入体积的片段，确保最优批次值的高比例。该方法还通过逐帧加权预测残差来解决时间粒度不匹配问题，使稀有叫声能够显著影响片段方向。在对斑鬣狗叫声数据集的实验中，BADGE-Greedy-DPP 在整体和稀有叫声类型性能方面均优于其他查询策略。 AI
影响 该方法可以提高在生物声学等专业领域中对不平衡数据集进行 AI 模型训练的效率。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.13555v1 Announce Type: cross Abstract: Bioacoustic call-type classification relies on costly expert annotation. Active learning can reduce this burden by selecting a small batch of segments for expert annotation and using the labeled segments for training the classifie…
Bioacoustic call-type classification relies on costly expert annotation. Active learning can reduce this burden by selecting a small batch of segments for expert annotation and using the labeled segments for training the classifier. The setting is hard: the target calls are extre…