Reducing Human Annotation with ML Active Learning

Bài viết mô tả cách active learning giảm chi phí gán nhãn bằng cách cho mô hình tự xác định các mẫu chưa gán nhãn có thông tin nhất trước khi yêu cầu con người đánh dấu. Ba chiến lược truy vấn được trình bày là uncertainty sampling (lấy mẫu gần ranh giới quyết định), diversity-based sampling (dùng KNN để tìm vùng thưa hiếm và chưa được biểu diễn đủ) và query by committee (huấn luyện nhiều mô hình và chọn mẫu mà chúng khác biệt nhất). Mỗi chiến lược có ưu điểm và hạn chế riêng; bài khuyên bắt đầu với uncertainty sampling để đạt được lợi nhuận sớm, sau đó bổ sung diversity sampling để tránh lặp lại và cuối cùng áp dụng query by committee khi ranh giới quyết định ồn ào. Ngoài ra, bài giới thiệu model stacking như phương pháp kết hợp dự đoán của committee để nâng cao hiệu suất tổng thể. Kết luận là việc kết hợp các chiến lược này một cách có thứ tự giúp tối ưu giảm lượng dữ liệu cần gán nhãn trong khi vẫn duy trì hoặc cải thiện chất lượng mô hình.