24、主动学习在机器学习任务中的应用与数据标注策略

主动学习在机器学习任务中的应用与数据标注策略

1. 主动学习在不同机器学习任务中的应用

1.1 视频聚类与标注

在处理视频数据时，聚类数量与视频总数的关系会影响标注策略。
- 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 语音的主动学习

语音数据的处理可分为标注任务、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（如对智能设备的命令进行意图标注）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处理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处理整个录音中的错误时，该过程更类似于文本生成，需要关注多样性以采样尽可能多的语音行为。由于书写系统比口语更标准化，在捕捉各种口音和语言变体时，多样性更为重要。
- 语音数据特点 ：语音数据介于文本和图像之间，数据收集技术对其影响较大。麦克风质量、环境噪声、录音设备、文件格式和压缩技术等都可能产生干扰，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较大，采样时不能仅依赖文本转录。

1.3 选择合适数量的人工审核项目

高级主动学习技术需遵循已学原则。一些主动学习策略（如代表性采样）可在迭代中自适应调整，但大多