【Active Learning - 05】Adversarial Sampling for Active Learning

ADVERSARIAL SAMPLING FOR ACTIVE LEARNING

阅读时间：

• 2019.01.02：早上-选择要精读这篇论文；晚上-abstract、Introduction 部分；
• 2019.05.01：To be continued…

论文：

• https://arxiv.org/pdf/1808.06671.pdf
  
• 作者（PHD）信息：ETH Zurich, Switzerland - 瑞士苏黎世联邦理工学院
• https://scholar.google.com/citations?user=wgt4-t0AAAAJ&hl=en
  
  

---

衍生的参考资料：

---

一些需要进一步理解的关键字：

---

摘抄的一些语句：

---

摘要：

---

阅读感想：

---

参考图：

本研究的几个特点：

• pool-based setting：生成具有 high entropy 的样本（将原本的pool和生成的样本作为最终的备选池），而不是直接对所有生成的样本进行标注。
• 这是第一篇将 GAN 和主动学习结合并应用到多分类图像领域。

ASAL 的优势，ASAL 与 GAAL 的区别：

• 通过生成样本匹配来自未标注样本池的真实样本：节约了时间成本；
• 目标样本是真实样本，在一定程度上缓解了生成样本的难辨识性问题；
  

ASAL 的相似文章对比：

• 与 GAAL：

  • 相同点：1）都是将 GAN 应用到主动学习中

  • 不同点：2）

• 《Hashing hyperplane queries to near points with applications to largescale active learning 》

  • 相同点：都是解决“加速不确定性样本搜索”的问题。

  • 不同点：ASAL 使用 GAN；[11]使用哈希方法。

改造的目标函数：

为什么不直接用生成的样本进行标注并训练，而选择使用真实的样本

• 标注困难
• 避免 sampling-bias 问题：还不是很懂
  

样本匹配方法：

• 首先，使用 PCA 将图像降至 50 维
• 然后，使用 KNN 和高斯距离寻找最匹配的样本
  • gray-scale values
  • rgb pixel values

模型的截止条件：当达到指定样本数量的时候，停止程序

• MNIST：500
• CIFAR10：1000

可以改进的地方：

AAE - DCGAN：提升生成样本的质量

• 半监督方法：
• 利用增量式的标注样本：

---

Introduction：

Related Work：相关工作

Methodology：方法论

Experimental results：实验结果

Conclusion：总结