分层主动学习框架

标注成本大幅降低

一种基于区域标签比例的分层主动学习框架，以极少的区域标注构建高质量分类模型，显著降低人工标注工作量。

Luo, Zhipeng · Gao, Qiang · 何亚舟 · 王红军 · Hauskrecht, Miloš · 李天瑞

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

标注单元从实例变为区域

传统主动学习需要逐个标注样本，而该框架允许用户对由多个特征值范围构成的区域仅标注类别比例，大幅降低标注复杂度和成本。

用比例标签训练分类器

通过引入学习标签比例算法，区域及其类别比例可以直接用于训练基于实例的分类模型，无需精确的逐样本标签。

极少的区域标注即可获得高质量模型

实验证明，所提框架只需极其有限的标注区域就能学习出高质量分类器，从而显著减少人工标注工作量。

应用场景

• 主动学习：以区域比例标注取代逐样本标注，大幅减少训练分类器所需的人工标注量。
• 医学图像分析：在病理图像等场景中，让专家快速标注区域类别比例即可构建诊断模型。
• 辅助诊断：为辅助诊断模型减少数据标注瓶颈，用较少的医生标注获得可靠分类器。
• 生物信息学：在结直肠癌生存分析等生物信息任务中降低样本标注负担，加速模型构建。