知识点 › 场景挖掘与标注

主动学习

Active Learning

场景挖掘与标注Lv.2

定义

按「模型最不确定/最有信息量」挑样本标注：不确定性采样（熵、margin、MC Dropout）、多样性采样（聚类中心）、委员会分歧（多模型投票）。目标是用更少标注换更多指标。

关键要点

  • 纯不确定性采样会扎堆在噪声样本上，需与多样性、代表性结合
  • 要防「采样偏差」：只标难例会让模型在简单场景退化
  • 收益要用「达到同指标所需标注量」来衡量

面试怎么答

给「不确定性 + 多样性」的组合策略，并说清各自的失效模式。

相关知识

  • 不确定性度量 — 四类：①预测熵/最大类概率（分类）；②回归方差/多模态分歧（轨迹）；③时序不一致（跟踪 ID 跳变、框抖动）；④模型间…
  • 人在回路 — 机器先做、人只审核与修正的协作模式。设计要点：把人的注意力放在「模型最不确定」的样本上（主动学习），并对人工修正结果做…
在星图上打开这颗星 →