Проактивная разметка примеров для адаптации к домену (Максим Рындин, ISPRASOPEN-2019)

Короткая ссылка: 20191206CH

Докладчик: Максим Рындин

In this work, we show how proactive labeling can help transfer knowledge from one source domain to a different, but relative, target domain. We propose to use a machine learning model, trained on source domain, as a free fallible oracle. This oracle can determine complexity of a training example to make several decisions. First, should this example be added to training dataset. Second, do we have enaph knowldge learnt from source to label this example ourself or we need to call a trusted expert. We present an algorithm that utilize this ideas and one of it’s features is ability to work with any classifier that has probabilistic interpretation of it’s outputs.
Experimental evaluation on modern datasets establish the effectiveness of proposed method.

Приводятся исследование возможности переноса знаний в целевой домен из другого, но близкого домена-источника с помощью проактивного обучения.
Исследуется применимость использования модели машинного обучения, обученной на домене-источника, как бесплатного ненадежного оракула для определения сложности примера из целевого домена и принятии решения о необходимости его разметки надежным экспертом.
Представлен алгоритм такой разметки, одной из особенностью этого алгоритма является его возможность работы с любым классификатором, имеющим вероятностную интерпретацию выхода.
Экспериментальное тестирование на современных наборах данных подтверждает эффективность предложенного метода.