24、主动学习在机器学习任务中的应用与数据标注

主动学习在机器学习任务中的应用与数据标注

1. 主动学习在不同机器学习任务中的应用

1.1 视频聚类与主动学习

在处理视频数据时，若聚类数量少于视频总数，可将相似视频合并为一个聚类，以实现有针对性的多样性；若聚类数量多于视频总数，部分视频可能会被分到多个聚类中，理想情况下是内容更多样的视频。这种方法为结合主动学习方法快速标注视频提供了很大的空间。

1.2 语音数据的主动学习

语音数据的处理可以是标注任务、序列任务或语言生成任务。不同的用例需要不同的处理方法：
- 语音行为标注 ：当对整个语音行为进行标注（如标注对智能设备发出的命令意图）时，模型已聚焦于关注的现象，不确定性采样和基于模型的异常值方法可直接应用于语音数据，无需裁剪。
- 语音转录 ：将语音转录为文本或检查整个录音的错误时，此过程更类似于文本生成，需要关注多样性，以尽可能采样更多的语音行为。由于世界上大多数语言的书写系统比口语更标准化，因此在捕捉各种口音和语言变体时，多样性尤为重要。

语音数据在数据收集技术方面介于文本和图像之间。麦克风质量、环境噪声、录音设备、文件格式和压缩技术等因素都可能产生干扰，使模型学习到错误信息。此外，语音的感知结构和实际物理结构差异很大，采样语音数据时，不能仅依赖文本转录。

2. 选择合适数量的人工审核项目

2.1 高级主动学习的原则

对于高级主动学习技术，之前学到的原则同样适用。一些主动学习策略（如代表性采样）可在主动学习迭代中自适应调整，但大多数技术组合在使用新标注数据重新训练模