Neuer Ansatz: TrustSet kombiniert Batch‑Lernverfahren mit Reinforcement Learning

Batch‑Active‑Learning (BAL) ist ein entscheidendes Verfahren, um die Kosten für das Labeln von Daten zu senken und gleichzeitig die Daten­effizienz bei der Schulung großer Deep‑Learning‑Modelle zu steigern. Traditionelle BAL‑Methoden setzen häufig auf Metriken wie den Mahalanobis‑Abstand, um Unsicherheit und Vielfalt bei der Auswahl von Daten für die Annotation zu balancieren. Diese Ansätze konzentrieren sich jedoch fast ausschließlich auf die Verteilung der unlabelten Daten und nutzen weder das Feedback aus bereits gelabelten Beispielen noch die aktuelle Modellleistung.

Um diese Schwächen zu beheben, wurde TrustSet entwickelt. TrustSet wählt gezielt die informativsten Daten aus dem gelabelten Datensatz aus und sorgt dabei für eine ausgewogene Klassenverteilung, was das Long‑Tail‑Problem reduziert. Im Gegensatz zu CoreSet, das die Gesamtverteilung der Daten beibehalten will, optimiert TrustSet die Modellleistung, indem redundante Daten entfernt und die Label‑Informationen zur Verfeinerung des Auswahlprozesses herangezogen werden.

Um die Vorteile von TrustSet auch auf den unlabelten Pool zu übertragen, wird ein Reinforcement‑Learning‑basierter Sampling‑Policy vorgeschlagen, die die Auswahl hochwertiger TrustSet‑Kandidaten aus den unlabelten Daten approximiert. Die Kombination aus TrustSet und RL führt zum neuen Framework Batch Reinforcement Active Learning with TrustSet (BRAL‑T).

BRAL‑T erzielt in zehn Bildklassifizierungs‑Benchmarks sowie in zwei Active‑Fine‑Tuning‑Aufgaben einen Stand‑der‑Kunst‑Erfolg. Die Ergebnisse zeigen, dass der Ansatz nicht nur die Effizienz steigert, sondern auch die Modellleistung in unterschiedlichen Domänen signifikant verbessert.