一篇题为“Hard Cases, Bad Labels”的新研究论文探讨了在带噪声标签条件下，主动学习中不确定性采样（uncertainty sampling）的有效性。该研究使用三个公开数据集，在各种噪声率和标注预算下，将基于边距的不确定性采样与随机采样进行了比较。研究结果表明，虽然不确定性采样在干净标签下通常能提高效率，但在标签噪声存在时，其优势会显著减弱，尤其是在依赖难度的噪声结构下。研究认为，不确定性采样的鲁棒性高度依赖于数据集特征、预算限制、噪声类型以及所使用的具体评估指标。 AI
影响 强调了在数据不完美的情况下，主动学习在现实场景中可能存在的陷阱。
排序理由 该集群包含一篇arXiv上的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
