Effective active learning strategy for multi-label learning

برچسب زدن داده ها معمولا یک فرآیند گران قیمت است که نیاز به مدیریت متخصص دارد. در داده های چند برچسب، برچسب گذاری داده ها پیچیده تر است به این دلیل که کارشناسان باید هر نمونه را چندین بار برچسب گذاری کنند، همانطور که هر نمونه به دسته های مختلف تعلق دارد. یادگیری فعال نگران یادگیری طبقه بندی دقیق با انتخاب مواردی است که برچسب گذاری می شوند، کاهش تلاش زنجیره ای و هزینه آموزش یک مدل دقیق. چالش اصلی در انجام یادگیری فعال چند برچسب، طراحی استراتژی های موثر است که پتانسیل اطلاع رسانی نمونه های بدون برچسب در همه برچسب ها را اندازه گیری می کند. این مقاله یک استراتژی یادگیری فعال جدید برای کار بر روی داده های چند برچسب ارائه می دهد. براساس پیش بینی های طبقه بندی کننده پایه و عدم تطابق یک مجموعه برچسب پیش بینی شده، دو شاخص عدم قطعیت به ترتیب برای انتخاب نمونه های آموزنده تر تعریف شدند. استراتژی پیشنهادی با تعداد زیادی از مجموعه داده ها به چندین استراتژی پیشرفته تر مقایسه شد. نتایج تجربی نشان داد که اثربخشی پیشنهاد برای یادگیری فعال چند لایک بهتر است.