Pool-Based Active Learning with Proper Topological Regions
Apprentissage actif pool-based avec des régions topologiques propres
Résumé
Machine learning methods usually rely on large sample size to have good performance, while it is difficult to provide labeled set in many applications. Pool-based active learning methods are there to detect, among a set of unlabeled data, the ones that are the most relevant for the training. We propose in this paper a meta-approach for pool-based active learning strategies in the context of multi-class classification tasks based on Proper Topological Regions. PTR, based on topological data analysis (TDA), are relevant regions used to sample cold-start points or within the active learning scheme. The proposed method is illustrated empirically on various benchmark datasets, being competitive to the classical methods from the literature.
Les méthodes d'apprentissage automatique reposent généralement sur une grande taille d'échantillon pour obtenir de bonnes performances, alors qu'il est difficile de fournir un ensemble étiqueté dans de nombreuses applications. Les méthodes d'apprentissage actif basées sur des pools sont là pour détecter, parmi un ensemble de données non étiquetées, celles qui sont les plus pertinentes pour l'apprentissage. Nous proposons dans cet article une méta-approche pour les stratégies d'apprentissage actif basées sur des pools dans le contexte de tâches de classification multi-classes basées sur les régions topologiques propres. Les PTR, basés sur l'analyse des données topologiques (TDA), sont des régions pertinentes utilisées pour échantillonner les points de démarrage à froid ou dans le cadre de l'apprentissage actif. La méthode proposée est illustrée empiriquement sur divers ensembles de données de référence, étant compétitive par rapport aux méthodes classiques de la littérature.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
Domaine public
|