抽象的

尽管主动学习形成了一个重要的机器学习支柱，但深度学习工具在其中不普遍。在活动学习环境中使用时，深入学习会带来几个困难。首先，主动学习（AL）方法通常依赖于能够从少量数据中学习和更新模型。另一方面，深入学习的最新进展对于对大量数据的依赖性来说是臭名昭着的。其次，许多AL采集函数依赖于模型不确定性，但深度学习方法很少代表这种模型不确定性。在本文中，我们将最近的贝叶斯进展结合在一起
以实际的方式深入了解积极学习框架。我们为高维数据开发了一个积极的学习框架，这是迄今为止非常具有挑战性的任务，具有非常稀疏的现有文献。利用贝叶斯卷积神经网络等专业型号，我们展示了具有图像数据的主动学习技术，从而显着改善了现有的主动学习方法。我们在MNIST数据集中展示了这一点，以及来自病变图像的皮肤癌诊断（ISIC2016任务）。

作者

Yarin Gal，RiaShat伊斯兰教，Zoubin Ghahramani.

会议

ICML 2017.

全文

'深贝叶斯主动学习与图像数据'（PDF）

优步AI.