Mitigating Annotation Burden in Active Learning with Transfer Learning and Iterative Acquisition Functions
Notice bibliographique
Résumé
In situations where there is a lack of readily available annotated data, active learning is a useful tactic. To increase the model’s generalization, it entails training a model on a constrained annotation budget and repeatedly choosing the best data points for additional annotation. Active learning in deep learning usually necessitates fine-tuning subsequent deep models. But this has drawbacks, too. Specifically, it requires an initially large batch of annotated data, which is feasible when there is a constrained budget for annotation in general. We challenge this problem with a strategy inspired by transfer learning, in which only shallow classifiers are taught during active learning iterations, when an already expert model is used, it functions as a feature extractor. We also suggest a new acquisition function that takes use of active learning’s iterative character. To improve robustness, this function chooses samples based on the largest change in uncertainty between the last two models’ predictions. To ensure representation, we incorporate a diversification stage where we select samples from various regions within the categorization space. Using balanced and imbalanced datasets, our strategy is compared to competitor approaches and shows superior performance in minimizing annotation burden while preserving good model accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».