研究人员推出了一种新颖的检索后排序主动学习系统FunnelAL，用于大规模监督学习中的单类发现。该系统将多阶段推荐系统架构应用于数据标注，解决了有效查找相关样本以及区分真阳性与可混淆阴性的挑战。FunnelAL将过程分解为基于嵌入的检索和一个精度触发的排序阶段，该阶段动态地整合了基于委员会的探索。在图像分类基准上的评估表明，即使在真实的标注者错误率下，FunnelAL的标注效率和最终质量也优于现有方法。 AI
影响 该方法可以提高AI模型数据标注的效率和准确性，可能降低成本并加速开发。
排序理由 该集群包含一篇详细介绍主动学习新方法的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
We present FunnelAL, a retrieve-then-rank active learning system for single-class discovery, which adapts the multi-stage funnel architecture of industrial recommender systems to data annotation. Large-scale supervised learning faces two challenges: efficiently finding relevant s…
arXiv:2607.25276v1 Announce Type: new Abstract: We present FunnelAL, a retrieve-then-rank active learning system for single-class discovery, which adapts the multi-stage funnel architecture of industrial recommender systems to data annotation. Large-scale supervised learning face…